向右滑动:上一篇 向左滑动:下一篇 我知道了
广告

轻量级AI可望“跨镜追踪”抓嫌犯

时间:2019-11-05 作者:Sally Ward-Foxton 阅读:
英国萨里大学(University of Surrey)开发一种新的轻量级人工智能(AI)技术,可重新辨识并匹配影片中的行人,并足以为边缘装置实现跨镜追踪(ReID)…

英国萨里大学(University of Surrey)的研究人员开发了一种新颖的卷积神经网络(CNN),可用于重新辨识视频监控影片中的行人;此外,由于该CNN尺寸够小,使其得以部署于诸如安全监控摄影机等边缘装置。研究人员并声称,该人工智能(AI)技术甚至比人们更擅长操作摄像机。E8HEETC-电子工程专辑

新的神经网络称为全尺度网络(Omni-Scale Network;OSNet),用于实现“跨镜追踪”(ReID)网络的全尺度特征学习;它仅采用220万个参数,这在深度学习架构中算是非常少见的。相形之下,其他这一类针对行人再辨识的ReID网络,通常以经典的ResNet-50影像辨识算法为基础,它往往必须使用高达2,400万个参数。E8HEETC-电子工程专辑
这表示OSNet可以在边缘装置执行,而不必上传云端,因而够节省带宽,否则如果将大量视频影片都传送到数据中心的话,将会十分耗用带宽。E8HEETC-电子工程专辑

这项研究是在萨里大学的“视觉、语音和信号处理中心”(Centre for Vision, Speech and Signal Processing;CVSSP)进行的。ReID是采用多台摄影机监控系统的基本功能之一,能够追踪出现在不同非重迭(non-overlapping)摄像机画面中的行人。由于每一台摄像机的视角情况可能完全不同,使得追踪或匹配同一个人成为相当困难的问题。在视频监看画面中,行人与摄像机之间的通常存在一定的距离,使得这一问题更加复杂化,因为有太多不同的人所穿的衣服看起来很可能十分类似。E8HEETC-电子工程专辑

E8HEETC-电子工程专辑
针对行人进行跨镜追踪(ReID)是一大挑战。在图1中的每一组照片,从左到右分别提供了原始影像、成功匹配的影像,以及匹配错误的影像进行比较。(来源:University of Surrey)E8HEETC-电子工程专辑

CVSSP计算机视觉与机器学习特聘教授Tao Xiang表示,“透过OSNet,我们着手开发了一种工具,它能克服在其他设置中所面临的行人再辨识等许多问题,而最终的结果远远超出了我们的期望。透过OSNet实现的ReID准确性明显超过了人类操作员。OSNet不仅显示在许多跨镜追踪问题上的性能优于同类方案,而其结果也显示它本身就可以作为一种独立的视觉辨识技术。”E8HEETC-电子工程专辑

研究人员们在其论文——《用于人员重新辨识的全尺度特征学习》(Omni-Scale Feature Learning for Person Re-Identification)中指出,尽管OSNet模型的尺寸较小,但在6个行人的ReID数据集上达到了最先进的性能,大幅超越其他大多数的大尺寸模型。E8HEETC-电子工程专辑

OSNet基于各种空间尺度的信息组合,并同时考虑了对应于较小的局部区域(如鞋子、眼镜),以及行人身体的全局范围(行人的体型大小和年龄、大概的服装组合,如白色T恤+灰色短裤等)。首先,该技术采用全身特征(如服装组合)来缩小搜寻范围,然后再检查局部特征,例如鞋子是否匹配等。E8HEETC-电子工程专辑

针对目前存在挑战的情况(例如图1(d)),则需要采用跨多个尺度的更复杂功能。研究人员以行人T恤上的标志为例解释,但影片的距离来看,它很可能会被误认或混淆其他图案。因此,透过标志(小尺度)加上白色T恤(中尺度)的组合,可望使追踪与匹配功能达到最佳效果。E8HEETC-电子工程专辑

OSNet采用由多个卷积串流组成的多尺度,实现了这种有效的特征组合,每个卷积串流都检测一定尺度特征。其所产生的多尺度特征图形则由新颖的统一聚合闸(可训练的微型网络,共享所有串流中的参数)产成的权重进行动态融合,以产全尺度特征,并可根据需要从不同的尺度中筛选出任何特定尺度的特征或混合特征。E8HEETC-电子工程专辑
20191029-101.jpgE8HEETC-电子工程专辑
轻量级OSNet网络结构,其中,R是指接收区(receptive field)的大小。(来源:University of Surrey)E8HEETC-电子工程专辑

编译:Susan Hong   责编:Yvonne GengE8HEETC-电子工程专辑

(参考原文:Lightweight AI Tracks Suspects Between Cameras,by Sally Ward-Foxton)E8HEETC-电子工程专辑

 E8HEETC-电子工程专辑

本文为EET电子工程专辑 原创文章,禁止转载。请尊重知识产权,违者本司保留追究责任的权利。
Sally Ward-Foxton
Sally Ward-Foxton是EE Times特派记者,她专注于EE Times美国版的AI技术和相关话题,以及EE Times欧洲版杂志中的欧洲企业报道。 Sally base在英国伦敦,她报道电子行业已有15年,曾为Electronic Design、ECN、Electronic Specifie撰写设计、电子元件类文章。 她拥有剑桥大学的电气和电子工程硕士学位。
您可能感兴趣的文章
  • 边缘AI大战一触即发 一场边缘AI大战正悄悄展开...每一家处理器供货商都将机器学习视为“金鸡母”,积极地调整自家公司策略,竞相为这个具有最大商机的领域——边缘AI提供加速特定工作负载的解决方案...
  • 寒武纪发布边缘AI芯片思元220,全面覆盖云边端 随着5G时代的到来,边缘计算越来越受到关注,也越来越多的系统、算法和应用厂商开始加入进来。11月14日,寒武纪在第21届高交会正式发布边缘AI系列产品思元220(MLU220)芯片及M.2加速卡产品。思元220标志寒武纪在云、边、端实现了全方位、立体式的覆盖。
  • AI芯片推论性能比拼,Nvidia称第一 继今年稍早之前发表了AI训练的性能测试基准后,MLPerf近期又针对AI推论性能公布了一份测试基准以及各家业者的跑分结果。
  • 地平线张永谦:AI在边缘侧落地背后的思考 “边缘侧智能设备大规模爆发的趋势,使数据成为如今AI芯片领域最大的挑战。”2019年11月7日,在由ASPENCORE《电子工程专辑》、《国际电子商情》和《电子技术设计》主办的“2019全球双峰会”上,地平线副总裁&AIOT芯片方案产品线总经理张永谦以“边缘AI芯片赋能行业,共建普惠AI时代”为题,介绍了地平线机器人在边缘AI芯片以及解决方案,以及地平线对AI在边缘侧落地背后的思考。
  • 从e-AI和SOTB两大技术看,如何通过技术创新实现业务模式 目前在各种领域当中都有AI的应用方案,但很多方案AI应用都取决于云端的计算能力。嵌入式系统对实时性的要求,会因为延时而出现滞后问题。在这样的环境下,嵌入式人工智能就能大显身手。
  • 算力“下凡”新纪元,Arm赋能中国芯 我们正在进入以数字驱动的第五波计算,这波浪潮建立在AI,IoT和5G迅速融合的基础上。在数字驱动计算的世界里,人口和用户的数量,以及产生的数据扮演着越来越重要的角色。
相关推荐
    广告
    近期热点
    广告
    广告
    广告
    可能感兴趣的话题
    广告