Na svetovnem trgu je veliko število ponudnikov biometrije oz. programske opreme za prepoznavanje obraza, vendar je med njimi veliko razlik. Podjetje Stelkom ima dolgoletnega partnerja NEC Japonska, ki je eden izmed vodilnih svetovnih podjetij na tem področju. Prvi program za prepoznavo obrazov so na tržišču testirali davnega leta 1989. V kasnejših letih od 2009 do danes so bili vsako leto nagrajeni in priznani s strani NIST kot številka 1 na svetu. V nadaljevanju Vam podrobneje predstavimo njihove najnovejše dosežke. Stelkom je tudi integrator številnih partnerjev video analitike. V nadaljevanju predstavljamo uporabnost te tehnologije v današnjem življenju ter nekoliko povežemo z ostalimi senzorikami ter VMS centralnim sistemom upravljanja.

V zadnjih letih so metode globokega učenja postale ključno orodje za reševanje raznolikih praktičnih izzivov. Kljub temu pa potencial takih metod pogosto ostaja slabo razumljiv širši javnosti zaradi pogostega ločevanja razvoja in demonstracije algoritmov od dejanskih praktičnih problemov, ki jih algoritmi naslavljajo. V tem članku predstavljamo demonstracijsko celico, ki združuje strojno in programsko opremo ter algoritme globokega učenja, omogočajoč enostavno prikazovanje delovanja teh metod v različnih aplikativnih domenah. Celica vključuje kamere, grafični vmesnik in pet demonstracijskih programov, ki demonstrirajo klasifikacijo lesenih desk, detekcijo površinskih anomalij, štetje polipov, detekcijo prometnih znakov in detekcijo vogalov tekstilnih izdelkov. Implementiran modularni pristop omogoča enostavno integracijo različnih algoritmov globokega učenja. Sistem omogoča boljše razumevanje in uporabo teh metod v praktičnih scenarijih ter prispeva k razvoju inovativnih rešitev na področju globokega učenja.

Globoke nevronske mreže so bile uspešno aplicirane že na mnogih področjih obdelave slik. Uspešnost mreže je vedno pogojena z njeno arhitekturo, ki pogosto zahteva ročno oblikovanje strokovnjaka z bogatim strokovnim znanjem. Takšen pristop je lahko v realnem svetu zamuden, morda tudi neizvedljiv, predvsem zaradi primanjkljaja izkušenj načrtovalcev oz. njihovega znanja. V tem članku smo predstavili postopek avtomatskega iskanja topologije globoke nevronske mreže v aplikaciji razvrščanja slik. Iskanje ustrezne topologije smo preslikali v optimizacijski problem, ki ga rešujemo z algoritmom diferencialne evolucije. Algoritem smo testirali nad podatkovnima zbirkama CIFAR10 in AffectNet. Dobljeni rezultati so obetavni in odpirajo novo mlado razsikovalno področje načrtovanja globokih mrež brez predhodnega ekspertnega znanja.

V podvodnih okoljih predstavljajo spremenljiva osvetlitev, motnost vode in biološka raznolikost občutne ovire, zaradi katerih tradicionalne metode računalniškega vida ne delujejo dobro. Tudi učljive metode delujejo le, če uporabimo dovolj raznoliko zbirko podatkov, ki vsebuje vso pričakovano variabilnost podvodnega sveta. Zaradi narave samega podvodnega okolja pa je to lahko težavno, drago ali celo nemogoče, vsekakor pa zahteva veliko delovnih ur za označevanje objektov v učni množici. Ta problem smo naslovili z razvojem nove metodologije, ki na podlagi izjemno majhnega nabora sintetično generiranih slik objektov (10 v našem primeru) in večjega nabora ozadij brez objektov zanimanja (nekaj 100 slik) izdela učno bazo poljubne velikosti, primerno za učenje globokih metod zaznavanja objektov, ki ne zahteva nobenega ročnega označevanja. V našem primeru smo metodologijo uporabili za detekcijo ribe Acanthurus leucosternon, katere podobo za učenje smo generirali s pomočjo orodij DALL-E in Stable Diffusion. Naučen model smo preizkusili na realnih posnetkih tropskih koralnih grebenov z algoritmom zaznavanja objektov YoloV8, pri čemer dosežemo F1=0.6, ne da bi algoritem videl eno samo realistično sliko objekta v času učenja.

V tem prispevku se avtorica osredotoča na vzpostavitev nove zakonodaje s področja varstva osebnih podatkov tako na ravni Evropske Unije (GDPR) kot tudi na ravni Slovenije (ZVOP-2) in njen vpliv na obdelavo osebnih podatkov v okviru biometrične tehnologije.

Hitro napredujoč razvoj tehnologij umetne inteligence, vključno s tehnikami globokega učenja na področju računalniškega vida, je spodbudil potrebo po zgodnjem izobraževanju o umetni inteligenci v šolah. Ta članek na kratko opisuje razvoj učnega načrta za računalniški vid, ki je del projekta EU AIM@VET (Artificial Intelligence Modules for Vocational Education and Training), namenjen srednješolcem poklicnega izobraževanja in usposabljanja. Uvodna gradiva, predstavljena v tem dokumentu, so strukturirana v treh glavnih učnih enotah, ki pokrivajo zaznavo objektov in segmentacijo slik. Vsak TU je sestavljen iz osmih nalog in zaključne naloge v skupnem okvirnem obsegu 10 ur izvajanja v učilnici. Gradivo je pripravljeno v tradicionalnih učnih gradivih in v zvezkih Python, združuje teoretične koncepte s praktičnimi vajami kodiranja z ločenimi različicami za učitelje in učence. Gradivo temelji na interaktivnih orodjih in odprtokodnih knjižnicah, kot je OpenCV, ki olajšajo praktično učenje in takojšnjo uporabo konceptov računalniškega vida.

Rubikova kocka je ena najbolj znanih igrač, tako za mlade kot tudi za starejše ljudi. Za začetnike je precej velik zalogaj, zato smo se odločili narediti aplikacijo, ki jo novincem pomaga rešiti. Primarno namen same aplikacije ni učenje reševanja Rubikove kocke, saj se uporabnik z njeno uporabo ne uči, temveč samo dela gibe, ki jih aplikacija pokaže. Njen cilj je pomagati, saj če se nekomu zaplete pri reševanju kocke, si lahko z aplikacijo pomaga in kocko vrne v prvotno rešeno stanje. Kar izstopa pri tej aplikaciji v primerjavi z drugimi orodji za reševanje Rubikove kocke, je uporaba kamere kot ključnega elementa. Namesto omejevanja uporabnika na 2D ali 3D grafični prikaz kocke, ki je lahko precej zamudna, ta aplikacija izkoristi kamero, ki omogoča uporabo toka videa kot podlago uporabniškega vmesnika. Uporabnik v realnem času vidi navodila za reševanje Rubikove kocke, kar olajša in pospeši celoten proces reševanja.

V članku raziskujemo integracijo modela MobileNetV3 v ogrodju Flutter, osredotočajoč se na napredno klasifikacijo slik avtomobilov. Preučujemo večplasten pristop, ki vključuje uporabo raznolikih podatkovnih zbirk, fino prilagajanje modela ter njegovo brezhibno implementacijo v mobilno aplikacijo. S poudarkom na izboljšanju uporabniške izkušnje smo ustvarili tri specializirane modele z visoko stopnjo natančnosti (97%), ki prepoznajo ustrezne slike, klasificirajo tip slike (vozilo, armaturna plošča ali dokument) ter določajo stran avtomobila (spredaj, levo, desno, zadaj). Rezultati kažejo izjemno hitrost in odzivnost aplikacije, pri čemer MobileNetV3 zagotavlja natančno klasifikacijo v le 60 ms, kar prispeva k izjemni učinkovitosti celotnega sistema.

V članku predstavimo postopke in tehnike generiranja globoko ponarejenih videoposnetkov ali krajše globokih ponaredkov (angl. deepfakes). To so videoposnetki, pri katerih je prišlo do manipulacij s tehnikami globokega učenja. Taki videoposnetki predstavljajo velik problem pri širjenju lažnih novic, politični propagandi, uničevanju podobe posameznikov, izdelavi pornografskih vsebin, izsiljevanju itd. V članku opišemo podatkovno zbirko FaceForensics++ in predstavimo lastno metodo za potencialno izdelavo podzbirke omenjene baze z uporabo najnovejših generativnih difuzijskih modelov. Uporabljene postopke eksperimenta predstavimo in analiziramo njihovo kvaliteto in uspešnost. Komentiramo tudi smiselnost uporabe in nevarnost, ki jo predstavljajo ponarejeni videoposnetki, izdelani z difuzijskimi modeli.

Trenutno ni priporočenega postopka za pridobivanje končnih članov pri hiperspektralnem zaznavanju tarč, kadar so tarče večje od enega piksla. Kateri je najboljši pristop, ko je za konstruiranje nabora podatkov na voljo več kamer? Ta študija preučuje razlike med hiperspektralnima kamerama Specim IQ in Specim Imspector V9, ki sta posneli iste površine pod enakimi svetlobnimi pogoji. Upoštevana sta bela kalibracijska kartica in minometna mina. Ker se postopki umerjanja za kameri razlikujejo, se primerjajo neobdelani surovi podatki in izbere se enako območje valovnih dolžin. Opazne so jasne razlike med spektroma obeh kamer. Nazadnje na podlagi dobljenih rezultatov podajamo smernice za izbiro statistično zanesljivih končnih članov in izdelavo podatkovne zbirke končnih članov.