AI wordt steeds vaker gebruikt om menselijke operators te helpen bij het verwerken van enorme hoeveelheden beelden van CCTV en andere beveiligingsbronnen. Persoonsheridentificatie (ReID) is een methode waarbij een AI in staat is om beelden van dezelfde persoon te herkennen die zijn genomen met verschillende camera's of bij verschillende gelegenheden. Dit helpt om verdachten te volgen via een CCTV-netwerk dat een grote openbare ruimte bestrijkt, zoals een ondergronds netwerk. ReID is een uitdaging voor machines omdat ze dezelfde persoon onder verschillende lichtbronnen moeten overwegen en onderscheiden, poses en veranderingen in uiterlijk, zoals hun kleding.

In een paper dat dit jaar zal worden gepresenteerd op de International Conference on Computer Vision in Seoul, Zuid-Korea, de meest prestigieuze conferentie in visuele AI, experts van Surrey's Center for Vision, Spraak- en signaalverwerking (CVSSP) beschrijven hoe ze een uniek systeem hebben ontwikkeld, OSNet genaamd, dat veel beter heeft gepresteerd dan veel populaire identificatiesystemen die al in gebruik zijn.

Het CVSSP-team heeft aangetoond dat OSNet in staat is om informatie van verschillende ruimtelijke schalen te doorgronden om een ​​nauwkeurige heridentificatie te helpen maken - van de kleinste details zoals het logo op een t-shirt tot andere, grotere factoren zoals het type jas dat de verdachte draagt.

ongelooflijk, OSNet heeft slechts 2,2 miljoen parameters nodig, een zeer klein aantal in de context van diepe neurale netwerkmodellen, om beter te presteren dan veel van zijn concurrenten, gebouwd op de populaire ResNet50-infrastructuur die 24 miljoen parameters gebruikt, wat suggereert dat OSNet de standaard zou kunnen worden in visuele herkenningstechnologie. Zo'n kleine parametergrootte betekent dat het model "op de rand, " wat betekent dat het zware rekenwerk op de camera zelf kan worden uitgevoerd in plaats van in een afgelegen datacenter, bandbreedte besparen voor het verzenden van grote hoeveelheden videogegevens van camera's naar de gegevensservers.

Tao Xiang, Distinguished Professor Computer Vision and Machine Learning bij CVSSP, zei:"Met OSNet, we wilden een tool ontwikkelen die veel van de problemen met de heridentificatie van personen waarmee andere instellingen worden geconfronteerd, kan oplossen, maar de resultaten overtroffen onze verwachtingen ver. De ReID-nauwkeurigheid die door OSNet wordt bereikt, heeft die van menselijke operators duidelijk overtroffen.

"OSNet laat niet alleen zien dat het in staat is beter te presteren dan zijn tegenhangers op veel heridentificatieproblemen, maar de resultaten zijn zodanig dat we denken dat het kan worden gebruikt als een op zichzelf staande visuele herkenningstechnologie."

Professor Adrian Hilton, directeur van CVSSP, zei:"Dit is een aanzienlijke prestatie van Prof Xiang en zijn team bij het bereiken van toonaangevende heridentificatietechnologie. Hun werk aan OSNet heeft het potentieel om baanbrekend te zijn en kan de komende jaren helpen om het visuele herkenningsveld vorm te geven. Dit is een geweldig voorbeeld van AI en Machine Perception ten behoeve van de samenleving die technologie biedt voor veiligere openbare ruimtes."