Derin Öğrenme İle Yanlış Alarmların Önüne Geçin


 Derin Öğrenme İle Yanlış Alarmların Önüne Geçin

Derin öğrenme mevzusu bilişim teknolojileri dünyasını heyecanlandırmaya devam ediyor. Hesap gücü artık, pratik uygulamalarda düzgün bir şekilde kullanılabilecek seviyeye ulaştı. Hikvision, teknolojiyi güvenlik sektöründe ve diğer pek çok alanda uygulayan öncü bir şirket olarak, Yapay Zekanın (AI) gücünden faydalanan ilk ürün setini piyasaya sürdü.

Derin Öğrenme, insan beyninin işleyişinden ilham almıştır. Beynimiz, son derece karmaşık bir derin öğrenme modeli olarak nitelendirilebilir. Beyin sinir ağlarında birbirlerine bağlı milyarlarca nöron yer alır; derin öğrenme, bu yapıyı harekete geçiren bir süreçtir. Bu çok-katmanlı ağlar bilgiyi toplar, elde edilen bilgi doğrultusunda ilgili eylemleri gerçekleştirir.

Geçtiğimiz son iki yılda teknoloji, konuşma tanıma, bilgisayar görüsü, sesli çeviri ve çok daha fazla alanda son derece ilerlemiştir. Hatta yüz tanıma ve görüntü sınıflandırma konusunda insan becerilerinin ötesine geçmeyi başarmış, dolayısıyla da güvenlik kamerası sektöründe son derece değerli hale gelmiştir.

İnsan tanıma – örneğin, hayvanlardan ayırt etme – konusundaki gelişmiş becerileri sayesinde, güvenlik alanına son derece büyük bir katkıda bulunmuştur. Özellikle de, polis ve itfaiye hizmeti verilerinin gösterdiği üzere, alarmların %94-99 gibi bir oranının yanlış alarmlardan oluştuğu düşünüldüğünde, bunun önemi daha da belirgin hale gelmektedir!

Derin öğrenme nasıl olur?

Derin öğrenme içsel olarak diğer algoritmalardan farklıdır. Derin öğrenme, aşağıdaki özellikleri sayesinde geleneksel algoritmaların yetersizliklerini aşmıştır.

Derin öğrenmenin algoritmik modeli, geleneksel algoritmalara kıyasla çok daha derin bir yapıdadır. Öyle ki, katman sayısı yüzü bulabilmekte ve bu sayede karmaşık sınıflandırmalardaki büyük miktarda veriyi işlemek mümkün hale gelmektedir. Derin öğrenme, insanın öğrenme sürecine son derece benzer ve katmanlı özellik-soyutlama sürecine sahiptir. Her katmanda farklı bir “tartma” söz konusu olup bu tartma, görüntü bileşenlerinden neler öğrenilmiş olduğunu yansıtır. Katman seviyesi yükseldikçe içerikler de daha detaylı hale gelir. Tıpkı insan beyni gibi, derin öğrenmedeki bir sinyal, işlem katmanlarından geçerek kısmi kavrayışı (alçak) genel bir soyutlamaya (derin) taşır ve bu sayede nesne algılanır.

Derin öğrenmede elle müdahaleye gerek yoktur. Özelliklerin ortaya çıkartılabilmesi için bir bilgisayara ihtiyaç vardır. Bu şekilde hedeften, betimlemesi zor veya imkansız olan soyut özellikler de dahil olmak üzere, mümkün olduğunda fazla sayıda özellik çıkartılır. Özellik sayısı arttıkça tanıma ve sınıflandırma süreçlerinin doğruluğu artar. Derin öğrenme algoritmalarının sunduğu doğrudan faydalar arasında, tanıma açısından kıyaslanabilir ve hatta insandan daha üstün bir doğruluk oranı, üstün parazit önleme becerileri ve binlerce özelliği sınıflandırıp tanıyabilme yeteneği yer almaktadır.

Mevcut sistemlerin sıkıntıları

Geleneksel güvenlik kamerası sistemleri genellikle detaylı analiz yapmadan hareketli nesneleri tespit etme üzerine kuruludur. Akıllı IP kameralar dahi bir şekil üzerindeki tekil noktaların haritasını ancak teker teker çıkarabilmektedir. Bu nedenle, birtakım özelliklerin (örneğin alın ya da yanak) ayarlanması son derece zor olmakta ve doğruluk oranı düşmektedir.

Daha kapsayıcı bir çevre güvenliği elde etmek adına başka teknolojilerden de yaralanabilir ve yararlanılmaktadır da. Bununla birlikte, hepsinin dezavantajları mevcuttur. Örneğin, kızılötesi emisyon dedektörleri kullanılabilir, ancak bu dedektörler de hayvanların yol açtığı yanlış alarmlara yatkındır. Elektronik çitler de bir güvenlik tehdidi oluşturabilirler, ancak bazı alanlarda kullanımı sınırlıdır. Ayrıca bu çözümlerden bazıları son derece maliyetli ve kurulumu zor olabilmektedir.

Hayvan, yaprak hatta ışık gibi etkenler dahi yanlış alarmlara yol açabilir. Dolayısıyla, insan şeklinin ayırt edilmesi, güvenlik kameralarının çevre koruma işlevlerindeki doğruluk payını önemli ölçüde arttırmaktadır. Yanlış alarmların sık bir şekilde devreye girmesi, her birini teker teker araştırması gereken nihai kullanıcılar için her zaman bir sorun olmuş, gerekli tedbirlerin alınması sürecini geciktirerek genellikle de verimliliği olumsuz etkilemiştir.

Örneğin, şöyle bir senaryo hayal edelim: Gece yarısı, sessiz bir ortam, etrafta yalnız birkaç tane araç ve insan var. Böyle bir senaryoda dahi gece boyu 50 tane yanlış alarmla karşılaşabilirsiniz. Her bir yanlış alarmı kontrol etmenin 2-3 dakika alacağını ve bu 50’sinden sadece 3’ünün daha fazla dikkat gerektiren (her biri için 15 dakika diyelim) bir durum olduğunu varsayalım. Bu durumda bekçinin sistemi kontrol edip alarma tekrar bakmalı veya gerçekten izinsiz bir giriş olup olmadığını görmek için birinin ilgili mekana gönderilmesi gerekir. Birçok kurum, bu tür durumların da bildirilmesini/kaydedilmesini şart koşuyor. Dolayısıyla, yanlış alarm için harcanan zaman daha da artmış oluyor. Böyle bir senaryoda, 50 tane yanlış alarmın o gece en az iki saatin boşa harcanmasına yol açabileceği açıktır.

Derin Öğrenme, bu konuda büyük bir fark yaratıyor. Kamera ve Hikvision Araştırma Enstitüsü gibi diğer kaynaklardan elde edilen kaliteli veriler ve video görüntülerini etiketleyen yüzün üzerinde veri temizleme ekibi üyesi ile sektör içindeki milyonlarca kategoride örnek veriler toplanır. Bu denli kaliteli eğitim verileri ise insan, taşıt ve nesne unsuru tanıma modelleri artık güvenlik kameralarında daha büyük bir doğruluk oranıyla kullanılmaktadır.

Derin Öğrenme algoritmasını kullanan ürünlerin tanıma doğruluğu, çeşitli deneylere dayalı olarak %38’e çıkmıştır – bir önceki örneğe bunu uyguladığımızda, her gece en az bir saat kazanılması anlamına gelir. Dolayısıyla Derin Öğrenme teknolojisi, sunduğu hat geçiş, ihlal, giriş ve çıkış tespit doğruluk oranları sayesinde son derece avantajlı bir çevre güvenlik ürünü ortaya koymaktadır.

Diğer kullanımları

Derin Öğrenme teknolojisinin değeri, geleneksel güvenlik sektörünün ötesindedir. Örneğin, kişilerin hareket yapılarının takip edilmesi ilerisi için bir tehdit oluşturup oluşturmayacaklarının ortaya konulmasına yardımcı olabilir. Hareketin beş metrelik yarıçapına kadar veya aynı yerde on saniye kalma gibi bir sınır konulabilir. Herhangi bir kişi bu sınırı geçtiğinde alarm çalışır. Ürün, bu kişiyi tespit ederek davranışını, benzer bir yapının olup olmadığını bulmak için veri tabanında karşılaştırır.

Başka bir uygulama örneği, bir düşme söz konusu olduğunda (0,5 m’nin altına düşme) veya kişinin bir sorun yaşıyor olması (10 saniyeden daha uzun süre yerde kaldıklarında) halinde işe yarayacaktır. Ürün, ayarlı parametreleri veri tabanıyla karşılaştırarak alarm çalacaktır.

Bu gibi özellik ve faydalarla Derin Öğrenme teknolojisinin kullanıldığı çok sayıda akıllı uygulama yaratılabilir.

Özetleyecek olursak, 10,000 güçlü Ar &Ge merkezi, güvenlik ürünlerinde sınırları zorlayarak bu ürünlere giderek daha fazla sayıda fayda eklemeye devam ediyor. Yapay Zekanın muazzam bir potansiyeli var ve Hikvision da bu heyecan verici teknolojiyi güvenlik sektörünün içerisine ve ötesine uygulamaya yönelik yeni yollar keşfediyor.

Hikvision Derin Öğrenme çözümleri üç seviyede sunulmuştur:

- DeepinView kamera, alarmın çalışmasıyla birlikte hedef tespiti, derecelendirme ve yakalama işlemi gerçekleştirebilir.

- DeepinMind NVR kullanan geleneksel tip IP kamerası, resim bazlı akıllı arama fonksiyonu sayesinde gelenesel NVR cihazlarına kıyasla hedef aramayı son derece hızlandırır.

- DeepinView kamerası ile DeepinMind NVR bir araya gelerek son derece güçlü tam bir çözüm sunar. Kamera, bilgiyi analiz edilmek üzere NVR cihazına yollar. Bu sayede kayıt işlemi hızlandırılmış ve yanlış alarmların önüne geçilmiş olur. 

 

Kaynak; https://www.facebook.com/notes/hikvision-turkey/derin-öğrenme-ile-yanlış-alarmların-önüne-geçin/1294797693997416/

 


İlginizi Çekebilecek Yazılar





İletişim | Gizlilik | Kullanım Koşulları