في عصر تتزايد فيه التحديات الأمنية، تظهر الحاجة إلى حلول مبتكرة تلبي الطلب المتزايد على المراقبة الفعالة. قدم فريق من الباحثين نظامًا متكاملاً يقدم حلاً متقدمًا لمراقبة الفيديو الذكي من خلال استخدام إطار تعلم عميق متعدد المهام.

يعالج هذا النظام نقص الفعالية في أنظمة المراقبة التقليدية التي غالبًا ما تواجه صعوبة في متابعة تدفقات الفيديو الضخمة التي تتجاوز قدرات البشر. يُمكن النظام الذكي من القيام بتعرف الوجه (Face Recognition) مع تفويض قائم على المناطق، والتعرف التلقائي على لوحات السيارات (Automatic License Plate Recognition)، وكشف الأسلحة، فضلاً عن كشف الحرائق والدخان والتعرف على تصرفات البشر.

تتضمن الأنظمة المتكاملة نماذج تعلم عميق خاصة بالمهمة، مع نموذجين رئيسيين تم تطويرهما لمعالجة السيناريوهات التي لا تمثلها مجموعات البيانات العامة بشكل كاف. يشمل ذلك كاشف السلاح الذي تم تعديله ليلائم مجموعة بيانات معاد تصنيفها، محققًا دقة متوسطة تبلغ 0.947، ونموذج SlowFast-R50 الذي تم تدريبه على مجموعة بيانات مخصصة لكشف أعمال التخريب، مع دقة تصنيف تبلغ 94.33%.

لكن ليس هذا كل شيء! لضمان موثوقية الكشف، تم دمج جميع وحدات الكشف في هندسة تحقق زمنية تعتمد على تأكيد متعدد الإطارات، التصويت المعتمد على الثقة، والترشيح المتسلسل. هذا التحويل يجعل من الممكن تحويل التوقعات على مستوى الإطار إلى أحداث أمان موثوقة.

تُظهر النتائج أن استراتيجية التحقق الزمنية قد قللت من معدل الإنذارات الكاذبة للحرائق والدخان من 52% إلى 4%، وزادت دقة مطابقة لوحات السيارات من 66.7% إلى 81.8%. كما تحافظ المنظومة الكاملة على عملية التشغيل في الوقت الحقيقي مع زمن انتظار لكل إطار أقل من 100 مللي ثانية.

إن الدمج بين نماذج التعلم العميق المتخصصة واستراتيجيات التحقق الزمنية يمثل حلاً فعّالاً وعملياً للمراقبة الذكية الموثوقة في الوقت الحقيقي. ما هي أفكاركم حول هذا النظام المبتكر؟ هل تعتقدون أنه سيحدث طفرة في مجال الأمن؟ شاركونا آرائكم في التعليقات!