seguritecnia 447

ARTÍCULO TÉCNICO Protección de Infraestructuras Críticas y Estratégicas SEGURITECNIA Noviembre 2017 145 y memoria humanos. Los productos DeepInmind cuentan con un innovador modo NVR+GPU, conservando las ven- tajas de los NVR tradicionales y las fun- ciones adicionales de análisis de vídeo estructurado que, en conjunto, mejoran enormemente el valor del vídeo. El aprendizaje profundo es el sigui- ente nivel de desarrollo de la inteligen- cia artificial. Va más allá del aprendizaje automático, en el que la clasificación está supervisada por otros algoritmos. El deep learning incorpora principios de autoaprendizaje no supervisados. Hikvi- sion está desarrollando este concepto en sus propios algoritmos analíticos. La mejora de la precisión es el resultado del aprendizaje multicapa y de una am- plia recopilación de datos. Las aplica- ciones de este algoritmo en el recon- ocimiento facial o de vehículos y otras plataformas mejorarán significativa- mente el rendimiento de la analítica. S compatibles con algoritmos de deep learning . En aplicaciones a pequeña es- cala, las cámaras pueden obtener di- rectamente determinados datos de manera estructurada. Y, además, alma- cenar decenas de miles de imágenes fa- ciales en los dispositivos front-end para implementar, por ejemplo, sistemas de comparación directa sin necesidad de comunicar con un servidor. En aplica- ciones a gran escala, la carga de trabajo queda repartida entre las cámaras y los servidores para aumentar la eficacia de la búsqueda y la comparación de datos. Las cámaras DeepInview, que pueden instalarse tanto en el exterior como en el interior, son capaces de detectar, identificar y analizar con precisión per- sonas y objetos, así como estudiar el comportamiento humano. Por su parte, la serie DeepInmind de NVR incorpora algoritmos avanzados de deep lear- ning e imita el modelo de pensamiento Mind de Google utilizó mil dispositi- vos con 16.000 CPU para simular una red neuronal con, aproximadamente, 1.000 millones de neuronas. Hoy en día, solo se necesitan unas pocas GPU para conseguir la misma potencia computacional con una iteración aún más rápida. 3. Finalmente, la arquitectura de red ha supuesto un impulso en el creci- miento del deep learning por el papel que desarrolla en aplicaciones más complejas como el reconocimiento fa- cial o en escenarios con diferentes ilu- minaciones, ángulos, posturas, expre- siones, accesorios, resoluciones, etc. ‘Deep learning’ e IC En los últimos dos años, el deep learning se ha empleado en desarrollos como el reconocimiento o la traducción de voz, la visión por ordenador, etc. Incluso ha superado las capacidades humanas en las áreas de identificación facial y cla- sificación de imágenes. Su valor en el campo de la videovigilancia para la in- dustria de la seguridad es ampliamente reconocido. Si hay un área en el que la seguri- dad y la videovigilancia resultan cru- ciales son las llamadas infraestructu- ras críticas, es decir, aquellas sobre las que una interrupción o perturbación severa de su funcionamiento ocasion- aría graves efectos sobre el normal de- sarrollo de las actividades básicas de la sociedad. En este tipo de entornos es donde pueden obtenerse mayores beneficios del deep learning , que ha me- jorado todas las funciones de la vigi- lancia inteligente: detección facial y de anormalidades faciales, de vehículos – motorizados o no–, de peatones o de rasgos corporales humanos, recono- cimiento facial o de la marca de un ve- hículo, análisis de comportamiento de la muchedumbre, rastreo de múltiples objetivos, etc. Este tipo de funciones inteligentes re- quiere cámaras ( front-end ), como las de la serie DeepInview, y servidores ( back- end ), como los de la serie DeepInmind, ambas de Hikvision, y otros productos