Журнал "Системы Безопасности" № 1‘2019

A L L - O V E R - I P 54 февраль – март 2019 www.secuteck.ru Нейронные сети: новый прорыв Мнения экспертов История нейронных сетей помнит взлеты и падения, но вот уже несколько лет, как они прочно обосновались в списке ключевых трендов рынка систем безопасности и продолжают укреплять свои позиции. Ведется активная работа по освоению нейро- сетей для различных задач анализа и распознавания информации, но они показы- вают реальные шансы выйти за пределы технологий распознавания и поменять облик всей отрасли. Что по этому поводу думают эксперты? Специалисты из компаний ITV | AxxonSoft, NVIDIA, "Малленом Системс", Ivideon, Macroscop и ISS проанализиро- вали текущие достижения нейросетей и предположили, чего от них ждать в ближай- шем будущем Помните сапоги- скороходы, ска- терть-самобранку, летающий чудо- корабль и печь Емели? А ведь сей- час мы вплотную приблизились к таким девайсам бла- годаря современ- ным технологиям, в частности Интернету вещей. Сапогами-скорохо- дами станут электроскутеры, скатерть самобран- ка – это холодильник, который сам дозакажет заканчивающиеся продукты, летающие такси в тестовом режиме уже рассекают небеса ОАЭ, а печью Емели станут электромобили с ADAS и автопилотами... Будущее, активно превращающееся в настоящее, не безоблачно, но интересно. Интернет вещей в совокупности с технологиями LPWAN открывает огромные перспективы и для систем безопасно- сти. Уже сейчас действует формула 10х10х10: 10 км – дальность передачи сигнала, 10 лет автономной работы, 10 куб. см – размер такого датчика. Прежде всего это открывает новые горизонты для систем ОПС: миниатюрные беспроводные автономные охранные и пожарные датчики теперь можно размещать на объектах гораздо быстрее и в большем количестве, ибо цены на LPWAN-датчики активно снижаются, в том числе и за счет конкуренции основных LPWAN-техно- логий. Для СКУД открывающийся горизонт тоже весь- ма широк: в ближайшее время появится нема- ло недорогих и автономных контролеров доступа. Для систем мониторинга (например, грузов и людей), которые в последние годы упирались в габариты маркеров и высокое потребление систем позиционирования GPS/ GNSS и среды передачи 2/3/4G, тоже откры- ваются новые горизонты. Аналогичные по раз- мерам, например, коробку спичек, LPWAN- метки могут работать до нескольких недель от миниатюрной батарейки. Да, точность будет ниже, чем у GPS/GNSS, но для множества задач она и не критична. Для остальных областей тех- средств безопасности технологии LPWAN и IoT тоже имеют немалый потенциал. Пока что не раскрытый, но интригующий. Представьте, например, как изменится отрасль CCTV, если появятся LPWAN-видеокамеры, способные годами работать от батарейки и транслировать беспроводное видео! Конечно, скажете вы, на данный момент это невозможно, но поживем – увидим. Евгений Ерошин Редактор раздела All-over-IP, директор по маркетингу ООО "БайтЭрг" КОЛОНКА РЕДАКТОРА Мы рождены, чтоб сказку сделать былью! В каких областях целесообразно применение нейросетей? Игорь Фаломкин, ITV | AxxonSoft Искусственные нейронные сети применимы практически во всех областях, использующих видеонаблюдение. Как и другие методы машинного зрения, нейросети предназначе- ны для извлечения из потока изображений информации о наблюдаемой сцене и присут- ствующих на ней объектах. 1. Розничная торговля. Контроль работы пер- сонала магазина и анализ поведения посети- телей. Например, сбор информации о коли- честве посетителей, их поле и возрасте, длине очередей, времени обслуживания. Выявление наиболее посещаемых мест, опре- деление особых клиентов, контроль запол- ненности полок и правильности расстановки на ней товаров, выявление потенциально мошеннических операций кассиров. Появляется возможность контроля времени реакции консультантов на появление в мага- зине посетителя. 2. Транспорт. Выявление статистических характеристик транспортных потоков, конт- роль соблюдения правил парковки, подсчет количества пассажиров для контроля оплаты проезда. 3. Банковская отрасль. Определение поз людей, нетипичных для помещений с банко- матами: l сидящий человек – потенциально попытка взлома банкомата; l лежащий человек – использование поме- щения для ночлега; l поднятые руки – потенциально ограбление посетителей. 4. Общественная безопасность. Определение позы (вскинутые вперед руки для стрельбы, что особенно актуально для школ в США), лежащего человека, оставленных предметов с возможностью выделения вещей опреде- ленного типа. 5. Производство, строительство. Обнаруже- ние появления людей в опасных зонах при наличии большого количества визуальных помех (работающая техника, сложные погод- ные условия), контроль использования спец- одежды и соблюдения техники безопасности, соблюдения технологического процесса, качества. 6. Охрана природы. Обнаружение лесных пожаров по поднимающемуся дыму. 7. Работа с видеоархивом. Поиск похожих объектов, например людей или автомобилей. Позволяет выделить объект на видео или загрузить в систему фотографию и найти все видеозаписи, на которых присутствуют похо- жие объекты. Никита Живаго, NVIDIA Везде, где есть данные и есть необходимость их анализировать и обрабатывать, будь то распознавание изображений, синтез контен- та, управление роботом, перевод одного типа данных в другой, анализ и принятие реше- ний, прогнозирование и т.д. Процессоры NVIDIA для центров обработки данных, такие как Tesla V100 и T4, могут значительно ускорить практически все виды нейронных сетей – от сверточных нейронных сетей (CNN) для изображений и видео до рекуррентных нейронных сетей (RNN) для обработки естественного языка и нейронных коллаборативных фильтров (NCF) для реко- мендательных механизмов. Платформа цент- ра обработки данных NVIDIA ускоряет все современные платформы глубокого обуче- ния. Технология компьютерного зрения служит мостом между миром визуальной информа- ции и миром интеллектуального анализа дан- ных. Так как изображения и видео играют существенную роль в современном информа- ционном пространстве, необходимо обладать инструментом для обработки данных такого типа. Зачастую необходимо анализировать именно содержимое в семантическом смыс- ле: что изображено на этой картинке, какие там присутствуют объекты и где они находят-