AI-forskning opnår verdens førende teknologi til visuel genkendelse af mennesker

AI bruges i stigende grad til at hjælpe menneskelige operatører med at håndtere enorme mængder billeder fra CCTV og andre sikkerhedskilder. Persongenkendelse (ReID) er en metode, hvor en AI er i stand til at genkende billeder af den samme person taget fra forskellige kameraer eller ved forskellige lejligheder. Dette hjælper med at spore mistænkte på tværs af et CCTV -netværk, der dækker stort offentligt rum, såsom et underjordisk netværk. ReID er udfordrende for maskiner, da de skal overveje og differentiere den samme person under forskellige lyskilder, positurer og ændringer i udseende såsom deres tøj.

I et papir, der skal præsenteres på dette års internationale konference om computervision i Seoul, Sydkorea, den mest prestigefyldte konference inden for visuel AI, eksperter fra Surrey's Center for Vision, Tale- og signalbehandling (CVSSP) beskriver, hvordan de har udviklet et unikt system kaldet OSNet, der har overgået mange populære identifikationssystemer, der allerede er i brug.

CVSSP-teamet har vist, at OSNet er i stand til at gå i dybden med information fra en række rumlige skalaer for at hjælpe med nøjagtigt at foretage en re-identifikation-fra de mindste detaljer såsom logoet på en t-shirt til andre, større faktorer såsom den type pels, som den mistænkte bærer.

Utroligt, OSNet har kun brug for 2,2 millioner parametre, et meget lille antal i forbindelse med dybe neurale netværksmodeller, at overgå mange af sine konkurrenter bygget på den populære ResNet50 -infrastruktur, der bruger 24 millioner parametre - hvilket tyder på, at OSNet kunne blive standarden inden for visuel genkendelsesteknologi. Sådan en lille parameterstørrelse betyder, at modellen kan indsættes "på kanten, "hvilket betyder, at de tunge beregningsmæssige løft kan udføres på selve kameraet frem for i et fjernt datacenter, sparer båndbredde til overførsel af store mængder videodata fra kameraer til dataserverne.

Tao Xiang, Fremstående professor i computervision og maskinlæring på CVSSP, sagde:"Med OSNet, Vi satte os for at udvikle et værktøj, der kan overvinde mange af de genidentificeringsproblemer, som andre set-ups står over for-men resultaterne oversteg langt vores forventninger. ReID -nøjagtigheden opnået af OSNet har klart overgået den hos menneskelige operatører.

"OSNet viser ikke kun, at det er i stand til at overgå sine modparter på mange genidentificeringsproblemer, men resultaterne er sådan, at vi tror, ​​at det kan bruges som en selvstændig visuel genkendelsesteknologi i sig selv. "

Professor Adrian Hilton, Direktør for CVSSP, sagde:"Dette er en betydelig bedrift for prof. Xiang og hans team i at opnå verdensledende genidentificeringsteknologi. Deres arbejde på OSNet har potentiale til at være banebrydende og kan være med til at forme det visuelle genkendelsesfelt i de kommende år. Dette er et godt eksempel på AI og Machine Perception til gavn for samfundet, der giver mulighed for teknologi til sikrere offentlige rum. "