84
VIDEOVIGILANCIA
tinción entre un vehículo y un no vehículo, por lo que la clasificación es simple y el nivel de dificultad es bajo. Para reconocer los atributos del vehículo se requiere el reconocimiento de diferentes diseños de vehículos, logotipos, etc. Sin embargo, hay relativamente pocos de ellos, haciendo que los resultados de la clasificación sean generalmente precisos. Por otro lado, si el reconocimiento debe realizarse en caras humanas, cada persona tiene una clasificación propia y las categorías correspondientes serán extremadamente numerosas, llevando naturalmente a un nivel muy alto de dificultad. Los algoritmos inteligentes tradicionales generalmente utilizan modelos de aprendizaje superficial para manejar situaciones con grandes cantidades de datos en clasificaciones complejas. Los resultados del análisis están lejos de ser ideales. Además, estos resultados restringen directamente la amplitud y la profundidad de las aplicaciones inteligentes y el desarrollo ulterior. De ahí se está planteando la necesidad de aumentar la de la inteligencia en los grandes datos para el sector de seguridad.
Las ventajas del deep learning y sus algoritmos Los algoritmos inteligentes tradicionales son diseñados por humanos. Si están o no bien diseñados depende en gran medida de la experiencia e incluso de la suerte y este proceso requiere mucho tiempo. Por lo tanto, ¿es incluso posible hacer que máquinas aprendan automáticamente algunas de las características? ¡Sí! Este es en realidad el objetivo de la Inteligencia Artificial (IA). La inspiración para el deep learning proviene de las redes neuronales de un cerebro humano. Nuestro cerebro puede ser visto como un modelo de deep learning muy complejo. Las redes neuronales del cerebro están formadas por miles de millones de neuronas interconectadas. El deep learning simula esta estructura. Estas redes de múltiples capas pueden recopilar informaciones y realizar las acciones correspondientes. También tienen la capacidad de abstracción de objetos y recreación.
DEEP LEARNING
El deep learning es intrínsecamente diferente de otros algoritmos. La forma en que resuelve las insuficiencias de los algoritmos tradicionales se engloba en los aspectos que describimos a continuación.
Primeramente, desde “Superficial” a “Profundo” El modelo algorítmico para el deep learning tiene una estructura mucho más profunda que las dos estructuras de tres capas de algoritmos tradicionales. A veces, el número de capas puede llegar a más de un centenar, lo que le permite procesar gran-
Esquema desde Superficial a Profundo
des cantidades de datos en clasificaciones complejas. El deep learning es muy similar al proceso de aprendizaje humano y tiene un proceso de abstracción de características capa por capa. Cada capa tiene diferentes “ponderaciones” y esta ponderación refleja lo que se aprendió acerca de los de las imágenes. Cuanto más alto sea el nivel de capa, más específicos serán los componentes. Simulando el cerebro humano, una señal original en el deep learning pasa a través de capas de procesamiento. A continuación, se necesita una comprensión parcial para una abstracción general en la que podemos percibir el objeto.
En segundo lugar, desde “Características artificiales” a “Aprendizaje de características” El deep learning no requiere intervención manual, sino que se basa en una com-
Esquema desde Características Artificiales a Aprendizaje de Características
putadora para extraer características por sí mismo. De esta manera es capaz de extraer tantas características de la meta como sea posible, incluyendo características abstractas que son difíciles o imposibles de describir. Cuantas más características haya, más preciso serán el reconocimiento y la clasificación. Algunos de los beneficios más directos que los algoritmos de deep learning pueden aportar incluyen lograr una exactitud de reconocimiento de patrones comparable o incluso mejor que el humano, fuertes capacidades anti-interferencia y la capacidad de clasificar y reconocer miles de características.