تیمی از محققان JD AI Research و دانشگاه پکن اخیراً یک سیستم جستجوی وسایل نقلیه مترقی برای شبکه های نظارت تصویری با نام PVSS ایجاد کرده اند. سیستم آنها ، که در مقاله ای از قبل منتشر شده در arXiv ارائه شده است ، می تواند به طور مؤثر در جستجوی وسیله نقلیه خاصی که در فیلم های نظارت مشاهده می شود ، جستجو کند.
سیستم های جستجوی وسایل نقلیه می توانند کاربردهای مفیدی داشته باشند ، از جمله آنها امکان حمل و نقل دقیق تر و نظارت خودکار. به عنوان مثال ، چنین سیستمهایی می توانند به کاربران اجازه دهند وسیله نقلیه پرس و جو ، منطقه جستجو و فاصله زمانی را وارد کنند تا دریابند که وسیله نقلیه در زمانهای مختلف در طول روز کجا قرار داشته است.
روشهای جستجوی وسایل نقلیه موجود به طور معمول فرض می کنند که تمام تصاویر وسیله نقلیه از فیلم های نظارتی به خوبی خرد می شوند ، با استفاده از ویژگی های تصویری یا شماره پلاک برای شناسایی وسیله نقلیه هدف در این تصاویر. این رویکردها عمدتاً بر تطابق وسایل نقلیه مبتنی بر محتوا ، که همچنین به عنوان شناسایی مجدد خودرو (Re-Id) شناخته می شود ، تمرکز دارند.
در سال های اخیر ، توصیف کننده های دست ساز و شبکه های عصبی کانولشن (CNNs) این روشها را بسیار بهبود بخشیده اند. با این وجود ، شناسایی یک وسیله نقلیه خاص که صرفاً براساس ویژگی ها انجام می شود ، می تواند یک کار بسیار چالش برانگیز باشد که ناشی از تغییرات درون نمونه ای در دوربین های مختلف و اختلافات بین نمونه بین وسایل نقلیه مشابه است. در برخی موارد ، به دلیل وضوح پایین و نویز ، پلاک های تصاویر را نیز می توان در تصاویر نظارتی نادرست تشخیص داد.
محققان در مقاله خود توضیح می دهند: "یک سیستم جستجوی کامل وسیله نقلیه باید مشکلات مربوط به تشخیص وسیله نقلیه ، نمایندگی ، نمایه سازی ، ذخیره سازی ، تطبیق و موارد دیگر را در نظر بگیرد." "علاوه بر این ، جستجوی مبتنی بر ویژگی نمی تواند دقیقاً همان وسیله نقلیه را بخاطر تغییرات درون نمونه ای در دوربین های مختلف و محیط بسیار نامشخص پیدا کند."
PVSS ، سیستم جستجوی پیشرفته وسایل نقلیه توسعه یافته توسط محققان ، محدودیتهای رویکردهای فعلی را برطرف می کند. این سیستم از سه ماژول اصلی تشکیل شده است: خزنده اطلاعات خودرو ، نمایه ساز خودرو بر اساس ویژگی های چند دانه ای و جستجوی پیشرفته وسایل نقلیه.
محققان در مقاله خود می نویسند: "برای تضمین دقت و کارایی بالا در حین جستجو ، یک سری ساختار داده برای سیستم جستجوی وسیله نقلیه طراحی شده است." "در خزنده ، نه تنها محتوای بصری بلکه اطلاعات متنی از شبکه های نظارتی استخراج می شود. داده های چند حالته سپس توسط مدل های مبتنی بر یادگیری عمیق برای به دست آوردن ویژگی های تبعیض آمیز و قوی وسایل نقلیه مورد سوء استفاده قرار می گیرند ، که سپس توسط چند سطح سازماندهی می شوند. شاخص ها: در فرایند جستجو ، وسیله نقلیه به صورت پیشرونده جستجو می شود ، از جمله جستجوی از درشت به ریز در دامنه ویژگی و جستجوی از نزدیک به دوردست در فضای فیزیکی. "
در اصل ، مؤلفه خزنده وسایل نقلیه در فیلم های نظارت ، انتقال تصاویر وسیله نقلیه ضبط شده ، ابرداده و سایر اطلاعات متنی را به ابر یا سرور ردیابی و ردیابی می کند. پس از آن ، مؤلفه ایندکسل خودرو ویژگی های چند دانه وسایل نقلیه مانند ویژگی های تصویری و اثر انگشت صفحه پلاک را استخراج و فهرست بندی می کند.
پرس و جو که شامل تصویر وسیله نقلیه ورودی ، و همچنین محدوده زمانی و دامنه مورد علاقه مکانی است ، سپس به مؤلفه جستجوگر وسیله نقلیه منتقل می شود ، که به تدریج وسیله نقلیه را در پایگاه داده تصویر جستجو می کند.
لینک فیلم: https://www.namasha.com/v/gFaRKlVT
محققان سیستم جستجوی پیشرفته وسایل نقلیه خود را در مجموعه داده های VeRi ، که شامل بیش از 50،000 تصویر جمع آوری شده از 20 دوربین نظارت در تنظیمات دنیای واقعی است ، ارزیابی کردند. در این آزمایشات ، PVSS به نتایج قابل توجهی دست یافت و از همه روشهای جستجوی ظاهری و روشهای چند مودال که با آن مقایسه شده بود ، پیشی گرفت.
محققان در مقاله خود می نویسند: "آزمایش های گسترده روی مجموعه داده های جستجوی وسایل نقلیه در مقیاس بزرگ که از شبکه نظارتی در دنیای واقعی جمع آوری شده است ، نتایج پیشرفته سیستم پیشنهادی را نشان می دهد."
تیمی از محققان JD AI Research و دانشگاه پکن اخیراً یک سیستم جستجوی وسایل نقلیه مترقی برای شبکه های نظارت تصویری با نام PVSS ایجاد کرده اند. سیستم آنها ، که در مقاله ای از قبل منتشر شده در arXiv ارائه شده است ، می تواند به طور مؤثر در جستجوی وسیله نقلیه خاصی که در فیلم های نظارت مشاهده می شود ، جستجو کند.
سیستم های جستجوی وسایل نقلیه می توانند کاربردهای مفیدی داشته باشند ، از جمله آنها امکان حمل و نقل دقیق تر و نظارت خودکار. به عنوان مثال ، چنین سیستمهایی می توانند به کاربران اجازه دهند وسیله نقلیه پرس و جو ، منطقه جستجو و فاصله زمانی را وارد کنند تا دریابند که وسیله نقلیه در زمانهای مختلف در طول روز کجا قرار داشته است.
روشهای جستجوی وسایل نقلیه موجود به طور معمول فرض می کنند که تمام تصاویر وسیله نقلیه از فیلم های نظارتی به خوبی خرد می شوند ، با استفاده از ویژگی های تصویری یا شماره پلاک برای شناسایی وسیله نقلیه هدف در این تصاویر. این رویکردها عمدتاً بر تطابق وسایل نقلیه مبتنی بر محتوا ، که همچنین به عنوان شناسایی مجدد خودرو (Re-Id) شناخته می شود ، تمرکز دارند.
در سال های اخیر ، توصیف کننده های دست ساز و شبکه های عصبی کانولشن (CNNs) این روشها را بسیار بهبود بخشیده اند. با این وجود ، شناسایی یک وسیله نقلیه خاص که صرفاً براساس ویژگی ها انجام می شود ، می تواند یک کار بسیار چالش برانگیز باشد که ناشی از تغییرات درون نمونه ای در دوربین های مختلف و اختلافات بین نمونه بین وسایل نقلیه مشابه است. در برخی موارد ، به دلیل وضوح پایین و نویز ، پلاک های تصاویر را نیز می توان در تصاویر نظارتی نادرست تشخیص داد.
محققان در مقاله خود توضیح می دهند: "یک سیستم جستجوی کامل وسیله نقلیه باید مشکلات مربوط به تشخیص وسیله نقلیه ، نمایندگی ، نمایه سازی ، ذخیره سازی ، تطبیق و موارد دیگر را در نظر بگیرد." "علاوه بر این ، جستجوی مبتنی بر ویژگی نمی تواند دقیقاً همان وسیله نقلیه را بخاطر تغییرات درون نمونه ای در دوربین های مختلف و محیط بسیار نامشخص پیدا کند."
PVSS ، سیستم جستجوی پیشرفته وسایل نقلیه توسعه یافته توسط محققان ، محدودیتهای رویکردهای فعلی را برطرف می کند. این سیستم از سه ماژول اصلی تشکیل شده است: خزنده اطلاعات خودرو ، نمایه ساز خودرو بر اساس ویژگی های چند دانه ای و جستجوی پیشرفته وسایل نقلیه.
محققان در مقاله خود می نویسند: "برای تضمین دقت و کارایی بالا در حین جستجو ، یک سری ساختار داده برای سیستم جستجوی وسیله نقلیه طراحی شده است." "در خزنده ، نه تنها محتوای بصری بلکه اطلاعات متنی از شبکه های نظارتی استخراج می شود. داده های چند حالته سپس توسط مدل های مبتنی بر یادگیری عمیق برای به دست آوردن ویژگی های تبعیض آمیز و قوی وسایل نقلیه مورد سوء استفاده قرار می گیرند ، که سپس توسط چند سطح سازماندهی می شوند. شاخص ها: در فرایند جستجو ، وسیله نقلیه به صورت پیشرونده جستجو می شود ، از جمله جستجوی از درشت به ریز در دامنه ویژگی و جستجوی از نزدیک به دوردست در فضای فیزیکی. "
در اصل ، مؤلفه خزنده وسایل نقلیه در فیلم های نظارت ، انتقال تصاویر وسیله نقلیه ضبط شده ، ابرداده و سایر اطلاعات متنی را به ابر یا سرور ردیابی و ردیابی می کند. پس از آن ، مؤلفه ایندکسل خودرو ویژگی های چند دانه وسایل نقلیه مانند ویژگی های تصویری و اثر انگشت صفحه پلاک را استخراج و فهرست بندی می کند.
پرس و جو که شامل تصویر وسیله نقلیه ورودی ، و همچنین محدوده زمانی و دامنه مورد علاقه مکانی است ، سپس به مؤلفه جستجوگر وسیله نقلیه منتقل می شود ، که به تدریج وسیله نقلیه را در پایگاه داده تصویر جستجو می کند.
لینک فیلم: https://www.namasha.com/v/gFaRKlVT
محققان سیستم جستجوی پیشرفته وسایل نقلیه خود را در مجموعه داده های VeRi ، که شامل بیش از 50،000 تصویر جمع آوری شده از 20 دوربین نظارت در تنظیمات دنیای واقعی است ، ارزیابی کردند. در این آزمایشات ، PVSS به نتایج قابل توجهی دست یافت و از همه روشهای جستجوی ظاهری و روشهای چند مودال که با آن مقایسه شده بود ، پیشی گرفت.
محققان در مقاله خود می نویسند: "آزمایش های گسترده روی مجموعه داده های جستجوی وسایل نقلیه در مقیاس بزرگ که از شبکه نظارتی در دنیای واقعی جمع آوری شده است ، نتایج پیشرفته سیستم پیشنهادی را نشان می دهد."
هواپیماهای بدون سرنشین قابل حمل جدید در سوراخ های باریک در ماموریت های نجات پرواز می کنند