Скачайте демо
|||
Саморазвивающиеся системы распознавания
Могут ли системы распознавания самообучаться с минимальным вмешательством человека (без учителя)?
Сегодня практически все трафик проекты используют EDGE и серверное ПО, обученное с использованием принципов «контролируемого обучения» (с “учителем”).
Это требует больших усилий, времени и затрат в сборе датасетов и в организации доступа к ним. К тому же периодически необходимы обновления ПО в виду появления новых типов и моделей автомобилей, а также новых типов номерных знаков, прочее.
Новые классы задач и ограниченные ресурсы EDGE решений требуют нового подхода в создании систем распознавания. Рынок ожидает, что новый подход позволит системе обучаться самостоятельно, экономить время на обновление ПО и повысить их качество.
Это критически важно для рынка EDGE решений, поскольку их задача — генерировать точные данные в большом количестве, быстро, качественно и с невысокими затратами.
Мы считаем, что такие алгоритмы можно обучать в среде “без учителя” или с минимальным участием человека. Специально разработанный алгоритм помогает системе определять объекты (в нашем случае, автомобили) и группировать их по признаку близости в кластеры (классы). А человек только называет эти кластеры (модель, тип, марка, цвет) и система автоматически распознает новые данные.
Каждая ошибка усиливает «неконтролируемую» систему (“без учителя”), поскольку она использует силу памяти, а не надеяться на “учителя” (датасет и человека). Через время система будет отлично распознавать и классифицировать автомобили без производителя софта.
Интегратору не нужно будет запрашивать обновление ПО. Когда система обнаружит новый кластер, она предложит интегратору проверить его и по необходимости дать имя.
Новый принцип создания технологии распознавания можно отнести к саморазвивающейся системе, которая способна встраивать и справляться с ошибками, используя силу памяти.
Готов ли рынок к таким изменениям? Давайте обсудим это в комментариях.
Related Posts