Een videocamera op een openbare plaats kan de dichtheid van mensen of voertuigen nauwkeuriger bepalen

Diep leren toegepast voor beeld- / videoverwerking opende de deur voor de praktische inzet voor objectdetectie en identificatie met acceptabele nauwkeurigheid. Crowd counting is een andere toepassing van beeld- / videoverwerking. De wetenschappers van het Japan Advanced Institute of Science and Technology (JAIST) ontwierpen een nieuwe DNN met achterwaartse verbinding, waardoor een nauwkeurigere schatting van de dichtheid van objecten werd verkregen. Het kan worden gebruikt voor het schatten van de menselijke dichtheid in het openbaar of de voertuigdichtheid op een weg om de openbare veiligheid / beveiliging en de verkeersefficiëntie te verbeteren.

Videobewaking is een standaardtechniek voor het verkrijgen van informatie om de status van objecten te detecteren. Videobewaking die op een weg wordt gebruikt, wordt bijvoorbeeld gemonitord om informatie te verkrijgen over de verkeersstroom, ongevallen en / of de dichtheid van voertuigen met het doel de beveiliging, veiligheid en / of efficiëntie van het verkeer te verbeteren. Een ander voorbeeld van videobewaking is menselijk verkeer in het openbaar. Het bewaken van de stroom en dichtheid van mensen is verplicht om de veiligheid van openbare plaatsen te garanderen, vooral voor binnenomgevingen.

Het verkrijgen van informatie over de dichtheid of het aantal objecten, zoals voertuigen of mensen, wordt crowdtelling genoemd. Het met een grotere nauwkeurigheid tellen van mensen biedt een meer naadloze controle van ITS met minder ‘grillige’ feedback, of biedt detectie van menselijke congestie die ongevallen kan veroorzaken. De onderzoeksgroep in JAIST onder leiding van Dr. Sooksatra en prof. Atsuo Yoshitaka, in samenwerking met een onderzoeksgroep van SIIT in Thailand, stelde een nieuw netwerk voor met achterwaartse verbindingen in DNN, dat betere prestaties behaalde in crowd computing.

“Achterwaartse verbinding in DNN stelt ons in staat om te profiteren van zowel high-level features als low-level features in een afbeelding, en behaalt daardoor hogere prestaties dan voorheen”, zegt prof. Atsuo Yoshitaka, het hoofd van Yoshitaka Lab. Het Yoshitaka-lab. ontwikkelt momenteel verschillende soorten DNN’s voor industriële toepassingen, zoals objectdetectie en identificatie van objecten in microfoto’s, defectdetectie voor industriële producten en DNA-analyse voor geautomatiseerde diagnose.