Рубрики
Без рубрики

Как и почему я построил Traceitout – видео резюме

Обо мне я инженер разработки программного обеспечения, который в настоящее время работает в Mentor Graphics, Индия. Я изучал компьютерную технику от Thapar Института инженерных и технологий. Проблема…

Автор оригинала: Ajay Kundu.

Обо мне

Я инженер разработки программного обеспечения, который в настоящее время работает на Mentor Graphics , Индия. Я изучал Компьютерная техника Из Тапарского института инжиниринга и технологий.

Проблема, которую я хотел решить

В современном сценарии ставки преступности значительно возрастают. Но наряду с увеличением ставок преступности, у нас также есть рост технологических достижений, которые также увеличиваются на доштавках и границах. Эти технологические достижения основным образом в области искусственного интеллекта, облачных вычислений и других областей информатики и технологий. Основная концепция заключается в том, что если преступление увеличивается, технология также увеличивается одновременно и в гораздо лучшем месте. Эти технологические достижения, если они работали над неправильным путем, могут привести нас к лучшему решению преступлений, тем самым ставки преступности могут быть значительно сокращены. Давайте возьмем конкретный сценарий во внимание. Цикл студента украден в течение определенного периода времени. Когда студент желает проверить преступную деятельность по камере наблюдения, установленной на сайте преступления, он/она должен посмотреть все видео, например, на полную неделю, чтобы определить преступление. Теперь это совсем не простая и легкая процедура с точки зрения жертвы. Он/она заинтересован в этих конкретных рамках видео, где цикл был украден, а не полное недельное видео, которое действительно совершенно не имеет значения ему/нее. Чтобы решить эту конкретную проблему, мы будем использовать отслеживать ее, что не только спасет время жертвы, предоставляя ему/ей только в том разделе видео, который может быть его/ее использование, но и экономит деньги в университете. И таким образом будет социальным и экономически выгодным. Таким образом, Traceitout может доказать революцию в области обнаружения кражи.

Что такое Traceitout – видео-шоссе?

Мы создали программное приложение, которое непосредственно развернут на компьютер, малиновый пирог и мобильное приложение. Приложение способно записывать видео, анализ видео в реальном времени видео, обнаружения объекта и обнаружения движения. Обнаружение объекта используется для быстрого поиска объекта внутри видео, если требуется.

Tech Stack.

Ниже приведен список технологий и инструментов, используемых для разработки приложения?

  • Python: Я выбрал Python в качестве языка для разработки приложения, потому что нам нужно немного машинного обучения и библиотеки компьютерного зрения, которые легко доступны в Python.
  • Машинное обучение: требование проекта – значит обнаружить объект для быстрого поиска объекта внутри видео. Поэтому мне нужно тренировать различные модели обучения машины.
  • Компьютерное зрение: я должен использовать фоновое вычитание для обнаружения движения в видео.
  • Малиновый пирог: я использовал малиновую, чтобы развернуть приложение для создания автономного продукта.

Процесс постройки Traceitout – видео-шоссе

  1. Обнаружение движения: Сегментация движущихся регионов в режиме реального времени в последовательностях изображений является фундаментальным этапом во многих системах видения, включая автоматическое визуальное наблюдение, интерфейс человека и телекоммуникации в очень низкой пропускной способности. Типичный метод – вычитание фона. Многие фоновые модели были введены, чтобы иметь дело с различными проблемами вычитания фона включает вычисление эталонного изображения, вычитание каждый новый кадра из этого образа, и результата порогового. Какие результаты представляют собой двоичное сегментацию изображения, которое подчеркивает области нестационарных объектов. Диаграмма класса

  2. Обнаружение объекта: Недавние достижения в выявлении объекта обусловлены успехом методов предложений региона и ключевыми нейроздами, основанными на регионах (RCNNS). Хотя CNN на основе региона CNN были вычисленными дорогими, как первоначально разработаны, их стоимость была резко снижена благодаря обмену оболочниками по всему предложениям. Последнее воплощение, быстрые R-CNN, достигают около скоростей в реальном времени, используя очень глубокие сети, игнорируя время, потраченную на предложения региона. Сейчас предложения – это время испытания вычислительное узкое место в современных системах обнаружения. Наша система обнаружения объектов, называемая быстрее R-CNN, состоит из двух модулей. Первый модуль представляет собой глубокую полностью сверточную сеть, которая предлагает регионы, а второй модуль представляет собой быстрый детектор R-CNN, который использует предлагаемые регионы. Вся система представляет собой одну единую сеть для обнаружения объекта. Используя недавно популярную терминологию нейронных сетей с механизмами «Внимание», модуль RPN рассказывает быстрый модуль R-CNN, где смотреть. Ввести проекты и свойства сети для предложений региона. Мы разработаем алгоритмы для подготовки обоих модулей с помощью общих функций. Сеть предложений региона (RPN) принимает изображение (любого размера) в качестве ввода и выводит набор предложений прямоугольных объектов, каждый с возрастом с возрастом. Мы моделируем этот процесс с полностью сверточной сетью, которую мы описываем в этом разделе. Поскольку наша конечная цель состоит в том, чтобы разделить вычисление с быстрой сетью обнаружения объектов R-CNN, мы предполагаем, что оба сети разделяют общий набор сверточных слоев. Для генерации предложений региона мы скользим небольшую сеть через сверточную карту функции на карте последнего общего сверточного слоя. Эта небольшая сеть принимает в качестве входного окна N × N пространственного окна входной карте функции. Снимок рабочего продукта

  3. Проследить алгоритм этого: Чтобы реализовать уменьшение размера видео и, следовательно, реализацию обнаружения объекта, можно использовать самореформированный алгоритм, который мы называем алгоритмом отслеживания, можно использовать. Все видео после обнаружения движения делится на куски определенного времени (например, 1 минута каждого). Теперь из этого видео в минуту, объекты обнаружены и будут выталкиваться в текстовый файл. Этот файл будет иметь несколько наборов объектов. Я набор объектов, соответствующих каждый период времени. Когда пользователь вводит тег объекта, этот период времени, когда найден объект, будет возвращен. Окончательные номера

Проблемы я столкнулся

  • Узнайте новые технологии, такие как малиновый пирог, чтобы создать автономный продукт. Это был мой первый раз, взаимодействующий с аппаратным обеспечением.
  • Разработать код для окончательного поиска объекта в алгоритме. Я попробовал много исследований и методов ошибок для разработки окончательного алгоритма.
  • Не сдавайся: всякий раз, когда вы стадии сдачи, как будто вы не можете развивать эту функцию усердно работать в этом направлении. Наконец, вы можете реализовать то, что требуется.
  • Не следуйте конкретным местом, чтобы узнать об одиночных технологиях, всегда используйте несколько источников.
  • Всегда хорошая практика для развития проекта итеративным образом.

https://github.com/ajaykundu/TraceItOut