Журнал "Системы Безопасности" № 4‘2022

В И Д Е О Н А Б Л Ю Д Е Н И Е И В И Д Е О А Н А Л И Т И К А 84 О бласть глубокого обучения получила свое развитие из понятия "искусственные ней- ронные сети" 1980-х гг. В первые годы суще- ствования этой ветви искусственного интеллекта (ИИ) нейронные сети моделировались по образцу человеческого мозга, который, как известно, состоит более чем из 100 млрд ней- ронов. Развитие технологий глубокого обучения Ключевым ограничением ранних систем была сложность обучения сети. Аппаратные техноло- гии были слишком медленными, чтобы пра- вильно обучить нейронную сеть, которая могла бы решать значимые задачи из реального мира. С 2000 г. исследовательское сообщество ней- ронных сетей начало привлекать внимание отраслевых лабораторий к работе сетей глубоко- го обучения. За последние несколько лет реаль- ные применения данной технологии охватили многие сферы, включая распознавание рукопис- ного текста, языковый перевод, автоматические игры (шахматы, го), классификацию объектов, распознавание лиц, анализ медицинских сним- ков, создание автомобилей с полностью авто- номным управлением и многие другие. Согласно данным лидера рынка исследова- ний – компании Omdia, в 2020 г. в мире было продано 117 млн профессиональных видеока- мер. 42% из них имели разрешение более 4 Мпк. И уже к 2025 г. доля таких камер на рынке прогнозируется на уровне 74%. В то же время к концу этого года Omdia прогнозирует, что количество установленных видеокамер пре- высит 1 млрд. Эти камеры будут генерировать огромный объем информации. Возникает вопрос: что делать с этим впечатляющим мас- сивом данных? Ведь эта информация будет полезна только в том случае, если она сможет быть своевременно обработана и проанализи- рована. Именно эту проблему помогают решить алгорит- мы глубокого обучения, которые значительно расширяют возможности аппаратной аналитики на видеокамерах. С их помощью можно научить устройства лучше фильтровать ненужные дан- ные, что в мире больших данных может сэконо- мить время, деньги и человеческие ресурсы. Ограничения и риски для камер без аппаратной аналитики на базе глубокого обучения на борту Из 117 млн отгруженных в мире в 2020 г. камер лишь 16% имели функционал аналитики на базе глубокого обучения. Оставшиеся 84% про- данных камер накладывают следующие ограничения и риски на владельцев. Безопасность данных Для последующего анализа и хранения камера передает видеопоток на сервер. Это, в свою очередь, увеличивает число узлов и объем дан- ных, подверженных риску уязвимости. Повышенная нагрузка на сеть Анализ, выполняемый на сервере, требует, чтобы все данные с камеры передавались в центр обра- ботки данных для анализа, в связи с чем возникает гораздо большая потребность в дорогостоящей сети с соответствующей пропускной способностью. Увеличенные расходы на электроэнергию и обработку данных В некоторых случаях передача данных по сети для централизованной обработки может быть полностью исключена, в то время как в других случаях объем данных, задействованных во всей системе, делает централизованную обработку непрактичной, тем более с использованием улучшенных кодеков сжатия, увеличенным коли- чеством камер и увеличенным разрешением. Кроме того, потоковая передача больших объе- мов видео, а затем их анализ с помощью графи- ческих процессоров на сервере потребует значи- тельных финансовых вложений. В случае когда анализ данных происходит на самой камере, нет необходимости в постоянной трансляции видео- потока и дорогостоящей инфраструктуре. Задержка передачи и обработки данных В сценариях, которые подразумевают контроль в режиме реального времени, например при распознавании лиц для предоставления доступа или отправке оповещений в реальном времени, и особенно в критических ситуациях, попросту нет альтернативы аналитике изображения непо- средственно на самой камере. Для задач отслеживания объектов и отдельных лиц на обширных площадях с помощью нескольких камер также достигаются существен- ные преимущества, поскольку системы выигры- вают от развития вычислительной мощности для анализа на базе глубокого обучения на борту камеры. И, как следствие, это ведет к сокраще- нию задержки и времени, необходимого для обработки данных с видеоизображения. Кроме того, есть объекты, на которых процессы не являются критически важными. Но эти про- цессы подразумевают комфортный пользова- тельский опыт, который может быть нарушен из-за медленно реагирующей системы. Напри- мер, розничные POS-системы или автоматиче- ская касса, у которой есть задержки в несколько секунд для ответа на каждый ввод, могут стать попросту непригодными для использования, когда скорость интернет-соединения падает или вовсе отсутствует. Преимущества камер со встроенной аналитикой на базе глубокого обучения Omdia прогнозирует, что к 2025 г. число камер со встроенной функцией анализа на базе глу- бокого обучения достигнет 64% от общего числа продаваемых в мире камер. Согласно закону Мура, вычислительные возможности в сочетании с большей энергоэффективностью у таких устройств будут расти. Это даст следую- щие преимущества. Низкая задержка и более высокая частота кадров Вы можете выполнять задачи анализа с помо- щью искусственного интеллекта в режиме реального времени. Вам не нужно будет уста- навливать на 10, 15 или 20 кадров в секунду, если ваше приложение требует больших значе- ний. Это востребовано для критически важных приложений, для обнаружения и отслеживания быстро движущихся объектов, а также для адаптивных автоматизированных систем и интерфейсов. Более высокая точность и надежность Чем выше разрешение видео, тем бóльшая тре- буется вычислительная мощность, поэтому камеры с высоким разрешением (FHD, UHD), которые используются для точного обнаруже- ния мелких деталей, требуют больше TOPS (триллион операций в секунду). Большая вычислительная мощность позволяет приложениям использовать большие, высоко- точные современные модели нейросетей. Модели становятся все больше и сложнее, в том числе для повышения точности результатов. Первое поколение периферийных процессоров и ускорителей ИИ (не говоря уже о периферий- ных продуктах на основе GPU) было более ограниченным в своей способности использо- вать такие модели. По крайней мере, не обо- шлось без заметного снижения точности. август – сентябрь 2022 www.secuteck.ru Михаил Сушков Продакт-менеджер по камерам видеонаблюдения компании TRASSIR Цифровой интеллект в видеокамере. Риски его отсутствия на борту Отсутствие качественной аппаратной аналитики на борту камер видеонаблюдения несет определенные ограничения и риски. Давайте разберемся, в чем же состоят преимущества камер с встроенной аналитикой на базе глубокого обучения, в каких областях их применение наиболее эффективно. Поговорим также о том, что ждет индустрию интеллектуальной видеоаналитики на устройствах в ближайшем будущем