En speciell sökmetod låter dig hitta personer i övervakningsvideo bara baserat på deras beskrivning. RT-rubriken löd, "AI-algoritmen kan hitta dig i CCTV-bilder utan att använda ansiktsigenkänning." Men hur? Höjd, kön, Kläder, inte ansiktsdrag, är giveaways, via en artificiell intelligensalgoritm.

Arbetet speglar potentialen hos tekniker för djupinlärning. RT gör en användbar poäng för dem som fortfarande kan sudda ut begreppet djupinlärning med maskininlärning.

RT skrev att i forskarnas ansträngningar, djupinlärning reste "bortom maskininlärning (där mönster sätts in i algoritmer och kräver övervakning) genom att införliva "självlärande" - för att träna ett konvolutionellt neuralt nätverk (CNN) att känna igen mjuk biometri med hjälp av datorseende."

RT och andra sajter rapporterade om teamet av forskare som skapade verktyget som hittar människor i CCTV-bilder.

Hiren Galiyawala, Kenil Shah, Vandit Gajjar och Mehul S. Raval beskrev sitt arbete i sin tidning, "Hämtning av personer i övervakningsvideo med höjd, Färg och kön, " inlämnad i september och nu på arXiv. Författartillhörighet inkluderar School of Engineering and Applied Science, Ahmedabad University och L. D. College of Engineering, båda i Indien.

Attribut som dessa — höjd, bygga, kläder - tygfärg, tygtyp— och kön kallas mjuk biometri. "Uppgiften att hämta person i videon är mycket utmanande på grund av ocklusion, ljust skick, kamerakvalitet, utgör, och zooma. Dock, egenskaper som höjd, tyg färg, kön kan härledas från lågkvalitativ övervakningsvideo på distans utan samarbete från motivet. Sådana attribut är kända som mjuk biometri, " skrev författarna.

Tristan Greene, TNW, gav ett exempel, det är en begäran för kvinnor som bär röda skjortor som är 153 cm långa. Resultatet skulle bli ett videoklipp som har begränsats till ramar med personer som uppfyller dessa kriterier.

Vad blev resultatet? RT och andra sajter sa att algoritmen korrekt identifierade 28 personer av 41 i en datauppsättning med mjuka biometriska attribut och att forskarna sa - med bara några mindre justeringar - noggrannheten kunde förbättras avsevärt.

Författarna i abstraktet sa att färg- och könsmodellerna finjusterades med AlexNet. Det senare är ett konvolutionellt neuralt nätverk (CNN) som har fått sitt namn från sin designer, Alex Krizhevsky. AlexNet är tränad på mer än 1 miljon bilder från ImageNet-databasen, sa MathWorks.

"Nätverket är 8 lager djupt och kan klassificera bilder i 1000 objektkategorier, som tangentbord, mus, penna, och många djur. Som ett resultat, nätverket har lärt sig rika funktionsrepresentationer för ett brett utbud av bilder."

Tristan Greene in TNW gjort ett argument för varför deras forskning är viktig.

Greene tyckte att deras arbete var spännande för dess konsekvenser för att hitta försvunna personer eller spåra misstänkta brottslingar.

Men, han lade till, "Kanske lika viktigt är det faktum att detta är ett legitimt svar på problemet med allestädes närvarande övervakning." Ett alternativ till "allomstädes närvarande" skulle bara vara det som var relevant.

Greene sa att "det här paradigmet skulle innebära att man använder datorer för att leta igenom arkivmaterial för endast data som är åtminstone något relevanta. Det är en mindre skillnad, men en som kan betyda skillnaden mellan statlig voyeurism och medborgarskydd."

Greene tänkte också, "om vi kunde mata video till ett neuralt nätverk och låta det begränsa saker till några timmars sammanställd film, det skulle vara möjligt att exakt spåra människor över flera övervakningsflöden."

© 2018 Science X Network