Marknadsanalysföretaget IHS Markit har listat ”deep learning” som en av de största videoövervakingstrenderna under 2017. IHS beskriver ”deep learning” som den snabbast växande delen av articiell intelligens. Det är en process där en enhet kan förbättra analyser eller klassi ceringar över tid genom att ta emot och bearbeta stora mängder data. Tekniken lär sig vad som är ett normalt beteende eller en typisk aktivitet i en bild och varnar sedan operatören då det sker något som sticker ut.

En kritisk punkt
Avigilon är en av många tillverkare av produkter för videoövervakning som tror starkt på deep learning och har under årets två stora internationella säkerhetsmässor – ISC West Expo i Las Vegas och IFSEC i London – visat  sin videoanalys med deep learning.  Willem Ryan hävdar att branschen nått en kritisk punkt eller kritisk massa.

– Branschen fortsätter att växa och vi levererar lösningar med förbättrad prestanda, som ger bättre övervakning, större lagring, er kameror och hög upplösning och detta har skapat en obalans mellan önskan och behovet av mer information från bildmaterialet och bristen på hur mycket uppmärksamhet som ägnas åt de data som kontinuerligt samlas in och lagras i vårt system, säger han.

Framkomsten av grafikprocessorer som bidrar med infrastruktur för deep learning till kameror och recorders har gjort videoanalys med deep learning möjligt. Willem Ryan säger att videoanalys blir en del av systemet utan att användaren måste konfigurera eller kalibrera den.

– Grafikprocessorer (GPU:er) tillåter oss att skapa ännu mer kraftfull analys som förändrar sättet vi samverkar med systemet för videoövervakning. Några av de nya framstegen som nu levereras genom grafikprocessorernas ökade kapacitet och arti ciell intelligens ger en ny våg av videoanalys till branschen.

Tror på kombinerad analys
Lars Wilson, Milestone Systems Regional Sales Manager för Nordic markets, tror också att deep learning och arti ciell intelligens kommer att förbättra videoanalysen, åtminstone när tekniken blir något mer mogen.

– Deep learning  och artificiell intelligens är egentligen lite missbrukade begrepp, men jag tror på den här typen av lösningar. Du vill få mer tillförlitliga resultat och att systemet inte bara reagerar på information som du är intresserad av.

Lars Wilson tror att system för videoanalys både kommer att bli mer tillförlitliga och mer intel- ligenta. Han tror också att olika sorters videoanalys kommer att kombineras mer i framtiden än det görs i dag.

– Om du tittar på videoanalys i detaljhandeln, bör du kombinera heat mapping – vilket ger data på hur kunderna rör sig i butiken under en viss tid – med till exempel ”people counting”.

Mer molntjänster
Anders Karlsson, Product Marketing Manager för Bosch i Nordeuropa, ser två huvudtrender inom videoanalys: deep learning och extra tilläggstjänster i molnet.

– Deep learning är kanske inte en stor trend ännu, men systemen kommer att bli mer självlärande och många tillverkare arbetar med det just nu. Den andra trenden är att dela upp analysen: låta kamerorna och enheterna generera metadata och sedan göra kompletterande analys via molntjänster i stället för genom en standardiserad server, säger han.

Anders Karlsson är inte säker på om deep learning kommer att revolutionera den fysiska säkerhetsbranschen, men han är övertygad om att det kommer att ge en hel del tilläggstjänster i framtiden.

– Det finns inga gränser för deep learning. Det som användare behöver berätta för systemet 10-12 gånger – ”det här är rätt, det här är rätt, det här är fel” – innan systemet har förstått, kommer inte att behövas i framtiden eftersom systemen kommer att vara självlärande, säger han.

Processorerna måste bli bättre 
Willem Ryan tror att deep learning kommer att ge en mer effektiv användarupplevelse och att det kommer låta användaren söka efter kritisk information även i live-video medan videoanalys kan köras i bakgrunden.

– Igenkänning av objekt och detektering kommer att bli mer avancerad och vi kommer att kunna detektera människor i folksamlingar och detektera ansikten väldigt bra. Dessutom detektera fordon och kunna särskilja olika typer av fordon, säger han.

Anders Karlsson menar att ansiktsigenkänning i realtid fortfaande är ganska svårt eftersom det kräver väldigt stora databaser. Han betonar också att ansiktsigenkänning i första hand görs i efterhand.

Förutom att generera för många falsklarm kräver videoanalys ganska mycket processorkraft. Anders Karlsson anser också att det är en av de största utmaningarna för videoanalys.

– Ju bättre processorer, desto mer kan vi göra. Bättre processor innebär också att du kan öka upplösningen på själva analysalgoritmen, det vill säga hur många pixlar den kan använda. Då blir analysen mycket bättre och du kan göra mycket mer videoanalys eftersom det finns mer information att bearbeta, kommenterar han avslutningsvis.