Ji-won nouveau rapport

Source: Institut de Singapour Panasonic Rédacteur: Wen Fei

[New Ji-won EXAMEN « Trafic frontalier Analyse vidéo intelligente course IMAGEnet » - NVIDIA Urban Challenge a pris fin. Singapour Matsushita Institut de l'automatisation Académie des Sciences de Chine a proposé conjointement un système de détection de mouvement commun bimodale, la détection sortir par le haut anomalie du trafic dans le jeu, obtenir une précision de détection élevée tout en maintenant un très faible temps de détection d'erreur. Étant donné que la solution proposée avec une grande précision, robustesse, la résolution et des données de faible sensibilité peut être utilisé comme une solution fiable pour la détection d'anomalie dans la scène réelle.

D'ici 2020, le monde aura un milliard de caméra. Avenir, l'analyse vidéo intelligente peut résoudre le trafic, la sécurité publique, la prévention du crime, l'utilisation efficace des ressources et d'autres villes de la taille du problème, d'améliorer les grands espaces publics et privés (tels que les centres commerciaux, les stades, les gares, les aéroports, etc.) de l'expérience utilisateur.

Bien qu'il existe des corpus et des points de référence (par exemple, le NIST TRECVID) pour la récupération de la vidéo, mais pour le trafic ou la sécurité publique, il manque aussi un corpus à grande échelle marquée des données vidéo de haute qualité, et les applications vidéo d'analyse dans le monde réel que vous voulez problèmes mondiaux, une telle base de données est essentielle.

NVIDIA AI City Challenge Il est proposé dans ce contexte, Inspirée par ensemble de données IMAGEnet, concours AI City est conçu pour créer ensemble de données vidéo de haute qualité Les équipes de recherche académiques et industriels mondiaux pour promouvoir une variété de la dernière technologie d'analyse vidéo intelligente pour résoudre les problèmes du monde réel.

AI City Challenge de l'Université NVIDIA United State de New York à Albany, Iowa State University, San Jose State University, l'Université de Washington a lancé, a attiré la participation de l'Université de Washington, UIUC, l'Université de Pékin, IBM et d'autres universités et institutions mondiales.

Concours du 20 Janvier, début 2018, la fin du 5 Avril, un total de trois tâches (piste). Dans un premier temps, il y a plus de 70 équipes s'inscrire, mais le problème est difficile, les contraintes de temps et d'autres raisons, les 22 dernières équipes ont présenté un plan. Sur CVPR 2018, les organisateurs ont annoncé les résultats de .

Parmi eux, l'Université de Washington a rendu la tâche 1 et la tâche 3 le champion, et 2 champion des tâches de détection d'anomalie de trafic, par l'Institut de Singapour de Shanghai Matsushita province équipe Mei, l'Académie chinoise des sciences conjointe Institut de l'automatisation get . runner-up Tâche 2, est l'Université de Beijing des Postes et Télécommunications équipe.

AI Ville Concours: IMAGEnet analyse intelligente du trafic vidéo

L'an dernier, la première IA City Challenge, l'accent est mis sur la fourche dans le trafic routier détection d'objets corpus vidéo de la caméra, l'emplacement et la classification. Cette année, le deuxième AIC18, organisateurs ont décidé « Hors de la zone de délimitation », pour se rapprocher de plus près aux problèmes du monde réel de la scène .

Par exemple, Roads and Traffic Authority américaine, dans le besoin urgent d'un système de transport qui analyse automatiquement le contenu vidéo, car ils permettent aux humains de regarder toutes ces vidéos ne sont pas réalistes, en fait, beaucoup de grandes quantités de données capturées par l'appareil photo est gaspillé, pas une utilisation efficace.

Après consultation avec plusieurs organismes de transport, et les organismes de sécurité publique, les organisateurs du concours se concentrera sur trois tâches:

Caractéristiques de flux de trafic estimé , Par exemple, par la position exacte et la vitesse du véhicule est visible à tout moment.

L'utilisation de méthodes non supervisées pour détecter des anomalies par la collision a provoqué le parking . Ce peuple peut être ajouté au processus de prise de décision dans le passé, en notant que des informations visuelles significatives, de sorte que l'intervention en temps opportun peut sauver des vies.

L'environnement urbain de suivi à caméras multiples et le poids de reconnaissance objet . Ceci est utile pour l'analyse du trafic et de l'identification et la prévention de la criminalité, mais permet également aux utilisateurs réagissent aux événements qui se déroulent le plus rapidement possible.

données course intersections de données de sélection et les routes (voir ci-dessous) recueillies dans plusieurs villes des États-Unis et les États. Ils ont mis en place une équipe spéciale d'un groupe en tant que groupe de contrôle, et d'utiliser les données générées par ces véhicules génèrent Ground Truth.

ensemble de données AIC18: obtenu à partir de la Silicon Valley, l'Iowa et des échantillons de données de la route

Le trafic Anomaly Detection: définition du problème difficile, le manque de données, la difficulté élevée des algorithmes de conception

détection d'anomalies des accidents de la circulation dans la ville de jouer en toute sécurité rôle crucial dans la situation anormale réduira considérablement l'efficacité de la circulation de la circulation routière, et doivent donc être détectés et surveillés, si une exception se produit sur l'alarme et de sauvetage, avec la sortie de l'événement le plus tôt possible les inconvénients de la circulation pour rétablir le trafic normal.

Méthode traditionnelle de détection d'anomalie de la circulation, une induction électromagnétique principalement dans la bobine en boucle et la formule de type d'onde, qui sont détectés au moyen d'un changement de fréquence dans les informations de véhicule lorsque le véhicule passe à la base de l'onde réfléchie. Mais l'utilisation de « magnétique » et « vague » des méthodes de détection ne peuvent pas fournir des informations de trafic global, et ont donc de grandes limites.

détection d'anomalie sur la base de trafic vidéo, qui est appliqué à une caméra vidéo et de la théorie du capteur de vision de la vision par ordinateur, appuyer sur le flux d'informations de trafic (tel que le flux optique) pour détecter et suivre une seule anomalie de véhicule , Par exemple une méthode de suivi d'un objet à identifier un comportement anormal .

Cependant, parce que la trajectoire du véhicule acquis occlusion contiennent souvent un peu de bruit. Pour remédier à ce problème, certains chercheurs ont tenté de proposer un cadre pour la détection d'anomalie est déterminée en fonction d'un modèle de probabilité en utilisant les fonctions de bas niveau de la vidéo.

La présence d'un comportement de trafic anormal défini dans la scène réelle de difficulté, ne peut pas obtenir une anomalie de l'information a priori, alors qu'il ya un changement d'angle de la caméra, le trafic à haute densité, l'occlusion de l'objet, les conditions météorologiques (neige, comme les conditions météorologiques), les changements de lumière (comme le jour et impact de la nuit), l'acquisition de données à faible résolution et scénarios du monde réel manque de données et d'autres facteurs, de concevoir un système de détection d'anomalies robuste face à des défis énormes.

Champion partage la technologie: le premier mouvement bi-modal méthode de détection de joint

Tâche 2 vidéo est basée sur une variété de points de vue, ont été enregistrées dans différentes conditions météorologiques et routières trafic vidéo réelle. Ces problèmes rendent la méthode de détection d'anomalie de conception devient très difficile. Par conséquent, les méthodes les plus efficaces sont l'analyse des flux de mouvement de la circulation (par exemple, en utilisant le flux optique), plutôt que d'essayer de détecter et de suivre les véhicules individuels sur la base.

L'équipe gagnante programme appelé « l'apprentissage dynamique à double modèle de véhicule » (mode double-mouvement du véhicule Motif d'apprentissage) . Personne responsable du jeu, le premier auteur du papier à la nouvelle Xu Yan Zhi Yuan introduit dans la tâche de détection d'anomalie de trafic, ils La méthode a été proposée dans un test statique et dynamique commune bimodale pour résoudre ce problème .

« Nous exploitons pleinement les caractéristiques de la détection d'anomalie de la circulation, qui est, la vitesse du véhicule est le changement anormal de manière significative et sera forcé d'arrêter le véhicule. Sur la base de ces deux caractéristiques, on nous a présenté les deux modalités ont été dynamiques et l'analyse statique. »

Les résultats des programmes dynamiques. La figure montre une vitesse normale, la partie inférieure est le cas de la figure anomalie se produit. Graphique à droite dans la rangée inférieure, vous pouvez voir une vitesse de voiture différente de l'autre, le dernier arrêt.

« Dans le programme dynamique, nous avons d'abord Voyage du véhicule pour les essais, les informations de suivi de flux optique sur chaque véhicule sur la base fiable. En même temps, nous avons conçu un simple et efficace Basé sur le plus proche voisin règle carottage , Pour résoudre le véhicule de suivi au cours de l'occlusion. Après avoir obtenu obtenir la trajectoire du véhicule plus robuste en calculant la vitesse relative des différentes dimensions du véhicule et les tendances, nous pouvons trouver un véhicule anormal très précis.

« Dans un scénario statique, nous avons d'abord la modélisation de fond vidéo, l'image de fond d'extraction. En même temps, le véhicule sera retenu en arrière-plan inhabituel de l'image. Nous avons formé un fond et un véhicule ne contenant que deux classificateurs, éliminer efficacement fond image de faux résultats positifs se sont produits lors de l'essai du véhicule.

« Enfin, nous proposons un schéma basé sur la ré-identification du véhicule, d'intégrer les deux modalités, ce qui améliore considérablement la précision de l'ensemble du système de détection. Par rapport à d'autres programmes, système de détection de mouvement conjoint bimodale nous proposons avoir Haute précision, robustesse, la résolution de la sensibilité des données faible Et ainsi de suite. "

organigramme anormal basé sur l'analyse statique pour détecter les véhicules routiers

Résumé: Les données, les données, les données

Xu Yan a dit qu'ils ont été mis sur ce jeu beaucoup d'énergie, à partir d'une des règles familières du jeu, téléchargez l'analyse des données, le problème de la définition de la tâche, entre autre conception d'algorithmes, vérification expérimentale rapide, des résultats d'analyse de l'échec, en fin de compte plus modèle de fusion, de lui soumettre, « toutes les mesures que nous devons faire de notre mieux. »

Parmi eux, Une étape prend le plus d'effort est la conception de l'algorithme rapide et vérification . L'équipe a essayé de mettre en avant plusieurs solutions différentes, à travers la méthode rapide de vérification expérimentale, et a finalement retenu deux programmes (analyse bi-modale) pour la présentation des résultats.

Il y avait un programme tente de faire avec la méthode de supervision, les données Collect, l'annotation de données, et enfin la formation. Mais des résultats peu satisfaisants, car la quantité de données recueillies est trop faible, mais des différences significatives avec les données de test, après le jeûne d'expériences, l'équipe a finalement abandonné ce plan.

Difficile à définir en raison de scénario anormal, l'absence de données de formation, ce qui entraîne la détection anormale dans la scène de la surveillance est une tâche très difficile. Cette fois, l'équipe provinciale Panasonic Shen Mei basée sur l'analyse des données d'essais, les propriétés minières, conception spécifiquement une réglementation efficace, de façon à obtenir de très bons résultats sur l'ensemble de données de test.

« En observant les résultats de l'échec du modèle que nous avons conçu nous manquera véhicule d'anomalies très faible ou mis dans l'erreur de vérification des antécédents des véhicules, » Xu Yan a déclaré: « La raison est le véhicule que nous utilisons dans la performance du modèle de détection ne sont pas sur les petits véhicules bonne, et le modèle de données de formation pour détecter et la distribution des données de test final ne correspond pas, afin d'améliorer le type de détection de la performance est une direction d'avenir du travail ».

« D'autre part, notre modèle très bien (dans un accident de voiture et est tombé en panne) les performances dans les deux anomalies ont été définies, mais peut sous-performer d'autres anomalies (telles que la direction du véhicule illégal). Si vous pouvez obtenir une même obtenir anomalie des données réelles nous pouvons analyser ces données, avoir des règles, utiliser ces données pour former le modèle, comme une tâche d'apprentissage supervisé, améliorera grandement la robustesse du système ".

• Smart City Contest (AIC18): https://www.aicitychallenge.org

• articles connexes :

Y. Xu, X. Ouyang, Y. Cheng et S. Yu et al. Learning Pattern Mouvement double ModeVehicle pour la haute performance de la circulation AnomalyDetection. Compte rendu de la IEEEConference onComputer Vision et modèle Ateliers de reconnaissance. 2018.

Naphade, Milind, et al. 2018 NVIDIA AI City Challenge. Proceedingsof la IEEEConference onComputer Vision et modèle Ateliers de reconnaissance. 2018.

A. Basharat, A. Gritai, et M. Shah. Le mouvement des objets d'apprentissage patternsfor anomalie détection et détection améliorée des objets. Dans CVPR, pages 1-8. IEEE 2008.

V. Reddy, C. Sanderson et B. C. Lovell. Amélioration de l'anomalie detectionin via une analyse basée sur des cellules-scènes bondées de vitesse de premier plan, la taille andtexture. Dans CVPR atelier, pages 55-61. IEEE 2011.

V. Saligrama et Z. Chen. Anomalie vidéo detectionbased sur les agrégats statistiques locales. Dans CVPR, pages 2112-2119. IEEE 2012

Singapour Matsushita Institute a été fondé en 1990, dédié au multimédia et les réseaux, l'apprentissage machine, logiciel d'intelligence artificielle et de matériel, des algorithmes de vision par ordinateur et de recherche de la technologie 3D et de développement. Sous la direction de la province Shen Mei, nous avons plusieurs années d'accumulation de la technologie dans le domaine de l'intelligence artificielle. L'équipe a remporté plusieurs concours internationaux dans la vision informatique championnat sur le terrain.

[] Joignez-vous à la communauté

Ji-won nouvelles technologies AI + industrie du recrutement communautaire, a accueilli les étudiants + industrie de la technologie AI a atterri intérêt, plus Little Helper Micro Signal: aiera2015_3 Dans le groupe, si elle est approuvée seront invités dans le groupe, assurez-vous de modifier les commentaires après avoir rejoint un groupe communautaire (Nom - Société - emploi, groupe professionnel d'examen plus rigoureux, s'il vous plaît comprendre).