Video

Analýza videa ex post alebo online je veľmi užitočná. Používajú sa pritom rôzne techniky ako napr. OpenCV, background substraction, momenty, houghove transformácie ale aj neurónové siete, YOLO (open source You only look once), kde sa využívajú obrovské natrénované modely, ktoré možno modifikovať a natrénovať za pomoci GPU (Graphics Processing Unit). GPU, hlavne tie od NVIDIA (napr. GeForce GTX 1050 so 4 GB pamäte) sú oveľa rýchlejšie ako CPU a v podstate GPU nám umožnuje dosahovať pri tréningu modelov výsledky v relatívne krátkom čase. Pod výsledkom sa tu rozumie akýsi optimálny stav modelu s v istom zmysle optimálnymi váhami, ktoré sa použijú pri odhade vzorky na vstupe, ktorú neurónová sieť nikdy nevidela, čo nazývame aj dopredná propagácia (forward propagation) na rozdiel od známeho back propagation, ktorý sa v kombinácii s forward propagation, používa pri tréningu neurónovej siete. V procese hľadania optimálnych váh, teda v tréningu, sa pomocou kombinácie back a forward propagácie v podstate hľadá univerzálny vzorec, pomocou ktorého sa všetky vstupy čo najlepšie trafia do známych výstupov. Pre názornosť podobnou úlohou je napr. nájdenie priamky, ktorá má minimálnu vzdialenosť od danej množiny bodov v rovine a ktorú nazývame regresná priamka. Táto úloha sa obvykle rieši známymi matematickými metódami s využitím prvej a druhej derivácie stratovej funkcie, ktorá vyjadruje súčet vzdialeností jednotlivých bodov od neznámej priamky. Aj v prípade trénovania neurónovej siete sa berú v úvahu chyby vyjadrené ako vzdialenosť (podľa rôznych metrík) známeho outputu od vypočítaného outputu doprednou propagáciou, ktoré ale vznikli aj v hĺbke neurónovej siete (v skrytých vrstvách). Iteračným postupom sa tieto chyby postupne obvykle zmenšujú, i keď aj tu môže dôjsť k určitým anomáliam. Na minimalizáciu stratovej funkcie je možné aplikovať okrem základnej metódy najväčšieho spádu rôzne algoritmy, čo je možné využiť, keď metóda najväčšieho spádu (alebo ľubovoľná iná) zlyhá, resp. poblúdi, či uviazne v nejakom lokálnom minime. Neurónové siete majú silnú matematickú oporu, nakoľko existuje dôkaz, že, zhruba povedané, neurónová sieť vie aproximovať ľubovoľnú spojitú funkciu s ľubovoľnou presnosťou. Kvôli tejto vlastnosti sa neurónová sieť nazýva aj univerzálny systémový aproximátor. Jej ďalší prívlastok je univerzálny systémový invertor, nakoľko vie urobiť prevrátenú hodnotu z každého systému, dokonca aj z takého, kde je matematika bezradná.

Okrem našich vlastných videí tu uvádzame pre inšpiráciu návštevníka našej webovej stránky videá od iných autorov, pretože sú veľmi zaujímavé.

Využitie pythonu, tensorflow, OpenCV a YOLO pri detekcii objektov v premávke. Zdroj: vlastná produkcia.

Využitie pythonu, tensorflow, OpenCV a YOLO pri detekcii objektov v premávke v San Franciscu okolo roku 1900. V YOLO je možné modifikovať tzv. labels, ktoré predstavujú jednotlivé kategórie objektov. Zdroj: vlastná produkcia.

Využitie pythonu, OpenCV, background substraction, contours, erode, dilate, centroidov, masiek, práce so snímkami... Program počíta autá v oboch smeroch. Zdroj: vlastná produkcia a Andrey Nikishaev a spol., Ukrajina.

Využitie pythonu, OpenCV, background substraction, contours, erode, dilate, centroidov, masiek, práce so snímkami... Program počíta autá v oboch smeroch. Zdroj: vlastná produkcia.

Využitie pythonu, OpenCV, background substraction, contours, erode, dilate, centroidov, masiek, práce so snímkami, houghových transformácií... Program slúži na zistenie počtu prerušovaných čiar v strede vozovky. Zdroj: vlastná produkcia.

Program vyhodnocuje polohu vozidla vzhľadom k vodorovnému dopravnému značeniu, rýchlosť vozidla a GPS súradnice. Autor videa využil OpenCV. Zdroj: Daniel Montoya, You tube.

Autormi tohto pomerne sofistikovaného systému na detekciu čiar na vozovke sú štyria brazílski programátori na čele s PhD. absolventom Computer Science Rodrigom Berrielom, ktorí vychádzali pri tréningu ich modelu z vlastnej databázy obrázkov. Z videa je zrejmé, že program je zameraný na detekciu čiar na vozovke, pričom vyberá z 8 možných typov čiar (farba čiary: žltá a biela, čiara prerušovaná a plná a tiež rozlišuje, či je to jednoduchá čiara alebo dvojitá). Zdroj: Rodrigo F. Berriel and Edilson de Aguiar and Alberto F. de Souza and Thiago Oliveira-Santos, Ego-Lane Analysis System (ELAS), ISSN: 0262-8856

Program vyhodnocuje polohu vozidla vzhľadom k vodorovnému dopravnému značeniu a meria polomer zákrut. Kompletný program v jazyku Python, využívajúci OpenCV, je možné stiahnuť z Githubu. Zdroj: Udacity, Inc., CarND-Advanced-Lane-Lines-master, Github.

Program vyhodnocuje polohu vozidla vzhľadom k vodorovnému dopravnému značeniu, vzdialenosť áut od vozidla, avízuje tiež zákruty a to všetko za sťažených podmienok v hustom daždi. Zdroj: Marcos Nieto, You tube.