آرشیو برچسب: تشخیص هویت

بیومتریک یا علم بیومتریک به تکنولوژی موجود برای اندازه‌گیری و آنالیز مشخصات بدن افراد جهت تشخیص هویت اطلاق میشود. با گذر زمان، ارگان های مختلف در حال سوق یافتن به سوی استفاده از بیومتریکهایچندوجهی هستند؛ این سیستم ها در مقایسه با راهکارهای تک-وجهی از مزیت های بخصوصی برخوردار هستند. به عنوان مثال، دستگاه های اثر-انگشت-خوان به تنهایی قادر به تشخیص اثر انگشت افراد از روی پوست چروکیده و آسیب دیده نیستند. دستگاه های شناسایی چندوجهی با ترکیب دو بیومتریک مختلف همچون اثرانگشت افراد + چهره ی آنها یا اثرانگشت افراد + رگ های موجود در زیر انگشتان آنها، انعطاف پذیری و امنیت بیشتری را ارائه کرده و متناسب با نیازهای کنترل دسترسی کاربران هستند.

سیستم های کنترل دسترسی معمولا مستلزم یکی از سه فاکتورتشخیص هویتی چون کارتها/نشان ها(یی که همراه خود دارید)، رمزهای عبور(ی که میدانید) و بیومتریک(هایی که خود شما هستید) میباشد. رفته رفته بیومتریک ها یا فاکتور«چیزی که خود شما هستید» در میان افراد شناخته تر شده است، چرا که در مقایسه با سایر فاکتورها، در این فاکتور هویت افراد گم نشده، به سرقت نرفته و فراموش نمیشود.

اکثر مشتریان هنوز هم از کلیدهای فلزی، کارتها یا بج ها برای ایمن سازی دربهای خود استفاده میکنند. در صورتی که این مشتریان هیچگونه نفوذی را در نتیجه سوء استفاده یا گم شدن کلیدها/کارتها تجربه نکرده باشند، متقاعدسازی آنها برای سرمایه گذاری در تکنولوژی های جدیدی چون سیستم های تشخیص اثرانگشت و چهره دشوار خواهد بود. اما در مورد سیستم های جدید نصب شده، این کار دشوار نبوده و به راحتی قابل انجام است. سیستم های بیومتریک از کلیدها و کارتها به مراتب ایمنتر و راحتتر هستند، چرا که این سیستم ها فراموش یا گم نشده و کسی قادر به سرقت اعتبار بیومتریک شما نیست.

در ابتدا، بیومتریکهای تک-وجهی تنها از یک بیومتریک مربوط به کاربر (فرقی نمیکند که بیومتریک مربوطه اثرانگشت، چهره، عنبیه چشم یا کف دست باشد) استفاده میکرده اند و این امری معمول بوده است. هرچند که رفته رفته و با گذر زمان، کاربران متوجه محدودیت تکنولوژی های بیومتریک تک-وجهی شدند. به عنوان مثال، همیشه یک درصد بخصوصی از افراد وجود دارند که آثار انگشت آنها قابل شناسایی و خواندن نیست. سیستم های تشخیص چهره نیز در صورت نصب شدن در فضاهای بیرونی و قرار گرفتن در معرض نورخورشید شدید چندان خوب عمل نمیکنند. بنابراین نصب یک سیستم بیومتریک ثانویه به گزینه ای حیاتی تبدیل میشود.

در حقیقت پتانسیل رشد بیومتریک های چندوجهی را نمیتوان نادیده گرفت. طبق گزارش ارائه شده توسط موسسه پژوهشی تکناویو پیشبینی شده است که بین سالهای 2016 تا 2020، راهکارهای بیومتریک چندوجهی به صورت جهانی نرخ رشد مرکب سالانه ای برابر 15 درصد داشته باشند.

مزیت های سیستم های بیومتریک چندوجهی

سیستم های بیومتریک چندوجهی از مزایای بالایی برخوردار هستند. یکی از مزیت های این سیستم ها، ارتقاء سطح امنیت در سازمان هایی است که از این سیستم ها استفاده میکنند؛ این سازمان ها میتوانند به جای استفاده از یک بیومتریک، از طریق دو بیومتریک به تایید هویت کارکنان/افراد بپردازند. مزیت این کار، فراهم سازی امکان تایید هویت چندگانه است. در صورت نیاز یک سازمان به سطوح بالای امنیت، این سازمان ها میتوانند از مدهای مختلفی برای شناسایی افراد استفاده کنند. به عنوان مثال برای صدور اجازه دسترسی به افراد، آثار انگشت و چهره ی آنها باید اسکن شود.

ترکیب مدهای بیومتریکی مکمل و مختلف باعث ایجاد عملکرد تطبیق بهتر و بالاتر میشود؛ این موضوع به معنای تعداد خطاهای تطبیق و عدم تطبیق کمتر و تعداد عملیات های شناسایی ناموفق کمتر است. به قطع شرایطی وجود خواهد داشت که در آن یک مد بخصوص ناتوان از اجرای عملکرد رضایت بخش بوده و یا شاید یک کاربر یک مد بخصوص را به مد دیگری ترجیح بدهد. در این موارد تنها یک مد نسبت به سایر مدها انتخاب میشود. با این وجود این کار باعث بهبود عملکرد و ارتقاء امنیت میشود، چرا که میزان داده های ضعیف و عدم موفقیت در عملیات شناسایی بسیار کاهش می یابد.

داشتن بیومتریک های هیبریدی و چند-مدلی باعث بهبود امنیت میشود، چرا که مشتریان میتوانند با استفاده از تایید هویت چندفاکتوری به “لایه لایه سازی” امنیت خود بپردازند. به عنوان مثال شما میتوانید سیستم تایید هویت دوفاکتوری را بکار بگیرید تا بدین شکل پیش از صدور اجازه ی دسترسی به درب، کاربران علاوه بر ارائه ی یک اثر انگشت معتبر، مجبور به تایید چهره ی خود باشند. برخی از مدل های سیستم های بیومتریک هیبریدی دارای چهار سنسور بیومتریکی، یک کارت خوان و یک کیپد هستند. با در نظر گرفتن تکنولوژی های بیومتریکی چندوجهی، امکان ایجاد و فراهم سازی امنیت و آسودگی بی انتها خواهد بود.

در حقیقت طبق گزارش ارائه شده توسط تکناویو، در طول سال 2015 آمریکای شمالی بازار بیومتریک های چندوجهی را تحت کنترل خود گرفته و از لحاظ درآمد که اساسا به خاطر مسائل امنیتی بود، سهم بازار آن نزدیک به 39 درصد بوده است. افزایش موارد اقدامات جنایی باعث ایجاد تقاضای بالا برای سیستم های بیومتریکی چندوجهی جهت شناسایی مجرمین شده است. این موضوع باعث افزایش صرف هزینه ی دولت روی تکنلوژی های بیومتریکی شده است. همچنین چندین فرودگاه واقع در این منطقه در حال بکارگیری سیستم های بیومتریکی چندوجهی هستند تا بدین شکل شناسایی هویت مسافرین را ایمن کنند.

انعطاف پذیری نیز یک مزیت دیگر این تکنولوژی ها تلقی میگردد. دستگاه های بیومتریکی چندوجهی متدهای چندگانه ای را برای تشخیص یک فرد فراهم میکنند. به عنوان مثال در صورت عدم کارکرد اثر انگشت، شما میتوانید از تشخیص چهره و یا حتی کارت اعتباری خود استفاده کنید. شاید مهمترین مزیت این سیستم ها، بحث انعطاف پذیری آنها باشد. به عنوان مثال این سیستم ها این امکان را برای شما فراهم میکنند که از شناسایی اثر انگشت برای یک نفر و از تشخیص چهره برای سایر افراد استفاده کنید.

بیومتریک های چندوجهی تنظیمات یا گزینه های دسترسی مختلفی را برای کاربران فراهم کرده و با کمک آنها افراد میتوانند طبق تمایل خود یکی از گزینه های موجود را انتخاب کنند. انعطاف پذیری سیستم ها موضوعی است که مشریان به شدت دنبال آن هستند.

برگرفته از مجله a&s

http://www.didarc.com/fa/news/multimodal-biometrics-add-extra-layer-of-security

اثرانگشت هنوز هم به عنوان بیومتریک اصلی در دستگاه های کارت خوان و کنترل دسترسی تلقی میگردد. با این حال برخی از محدودیت ها کاربران را بر آن داشته است که به دنبال امکانی برای افزودن سایر بیومتریک ها در کنار اثرانگشت باشند. بنابراین چهره تبدیل به راهکاری عملی و موفق میشود.

بیومتریک متداول برای کنترل دسترسی، استفاده از اثرانگشت بوده و بسیار جا افتاده است. طبق تحقیق انجام شده توسط یِیل، در سال 2016 بیومتریک های اثرانگشت-محور با درآمدی غالب بر 4.45$ میلیارد دلار و سهم بازاری در حدود 91 درصد، بازار جهانی بیومتریک ها را تحت تسلط خود گرفته بود. طبق این تحقیق، در سال 2016 بازار بیومتریک های اثرانگشت-محور در مقایسه با سایر راهکارهای سخت افزاری بیومتریکی که طبق پیش بینی ها سهم بازاری 250$ میلیونی داشته اند، به تنهایی ارزشی برابر 4.1$ میلیارد پیدا کرده بود.

طبق گزارش ارائه شده توسط تکناویو نیز بین سالهای 2017 تا 2021 انتظار میرود که بازار جهانی بیومتریک های اثرانگشت-محور نرخ رشد مرکب سالانه ای برابر 12 درصد داشته باشند. طبق این گزارش: « بکارگیری گسترده ی بیومتریک های اثرانگشت-محور در بخش بهداشت و درمان یکی از فاکتورهای کلیدی رشد این بازار است. در بازه ی زمانی پیش بینی شده، منطقه آسیا-اقیانوسیه بزرگترین درآمدزایی را برای این بازار جهانی خواهند داشت. این میزان از درآمدزایی عمدتا بخاطر استفاده ی روبه افزایش دولت های کشورهایی چون هند از بیومتریک های اثر-انگشت محور بوده است؛ استفاده از این سیستم ها به آنها کمک میکند تا حضور کارکنان و میزان سهمیه بندی را نظارت و بازبینی کرده و از کنترل مرزها اطمینان حاصل کنند.»

علیرغم گستردگی استفاده از راهکارهای اثرانگشت-محور، این راهکارها محدودیت هایی نیز دارند.

مشتریان ارزش امنیت و آسودگی مضاعف بیومتریک های امروزی را دانسته و استفاده از آنها را ترجیح میدهند، چرا که این افراد در گذشته تجربه های ناموفق و ناراضی کننده ای از استفاده از تکنولوژی های تشخیص اثرانگشت و قابلیت اعتماد به آنها داشته اند. به عنوان مثال، طبیعت کارهایی چون حفر معادن زغال سنگ یا ساخت و ساز ساختمان ها به گونه  ای است که باعث ایجاد آثار انگشتی بی کیفیت وتقریبا صاف در کارگران میشود. در چنین مواردی شناسایی آثار انگشت کارکنان با یک دستگاه تشخیص اثرانگشت تک وجهی نامحتمل به نظر میرسد. اخیرا برخی از فروشندگان نوعی تکنولوژی جدید را معرفی و عرضه کرده اند که از قرار معلوم تشخیص آثارانگشتی تقریبا عالی را تضمین میکنند. فرقی نمیکند که لنزها یا الگوریتم های تطبیقی ارائه شده توسط فروشندگان به چه میزان قدرتمند باشد، همچنان درصد بخصوصی از افراد باقی خواهند ماند که آثار انگشت آنها به خاطر سن، رنگ پوست یا “شرایط ظاهری” انگشتان – به عبارت دیگر چروکیدگی، بریدگی، خراشیدگی یا آغشتگی به روغن/وسایل آرایشی- به راحتی قابل شناسایی نیستند.

روایتهای متعددی از عدم موفقیت دستگاه های تشخیص اثرانگشت در احراز هویت کاربران وجود دارد. به عنوان مثال طبق گزارش ایندین اکسپرس، چندین فروشگاه اف.پی.اس در دهلی نو شاهد دست-خالی بازگشتن افراد بوده اند که این موضوع بخاطر عدم کارکرد دستگاه های پایانه فروش الکترونیکی یا عدم موفقیت در تشخیص آثار انگشت افراد اتفاق افتاده بوده است.

رجوع به دستگاه های تشخیص اثرانگشت-چهره

این موضوعات کاربران را بر آن داشته است که راهکارهای بیومتریکی چندوجهی را با بیومتریک های اثرانگشتی و سایر بیومتریک ها ترکیب کنند. با گنجاندن چند سنسور بیومتریکی مختلف – یعنی اثرانگشت، چهره، رگ های کف دست، عنبیه و رگ-اثرانگشت – در یک دستگاه واحد، درصد بالاتری از کاربران با موفقیت ثبت و احراز هویت خواهند شد.

برخی از آثار انگشت برای شناسایی بسیار دشوار هستند. آثار انگشت قدیمی و فرسوده نیز دربرخی موارد چندان قابل اعتماد نیستند. سیستم های تشخیص چهره در برخی از موارد بهتر عمل میکنند، اما گاهی این سیستم ها در تشخیص دچار مشکل میشوند. بنابراین استفاده از چندین حالت مختلف باعث بهبود قابلیت اعتماد به این سیستم ها میشود.

برخلاف دورنمای ترسیم شده، تقاضا برای دستگاه های تشخیص اثرانگشت-چهره به علت مزیت های مختلف آنها افزایش یافته است. با در نظر گرفتن فاکتور هزینه میتوان گفت که تشخیص چهره گزینه ی خوب بعدی پس از تشخیص اثرانگشت است، چرا که در تشخیص چهره نیازی به لمس چیزی نیست. با بکارگیری سیستم های تشخیص چهره، مواردی چون کثیفی، چین و چروک و نظافت دیگر مسئله برانگیز نخواهند بود، چرا که این سیستم ها برای ارزیابی فرد موردنظر از ویژگی های ظاهری چهره ی افراد استفاده میکنند. همچنین در این سیستم ها، شرایط پوست صورت اهمیتی ندارد. با کمک تکنولوژی های تشخیص چهره جدید، ثبت چهره ی افراد به سادگی ارائه ی یک فایل تصویری بوده تا بدین شکل کاربر مربوطه بتواند به صورت دورادور چهره ی خود را ثبت کند. به این دلایل، سیستم های تشخیص چهره اغلب به عنوان یک تکنولوژی بیومتریکی مناسبتر تلقی میشوند.

دقت و درستی تکنولوژی های تشخیص اثرانگشت و چهره هر دو تضمین شده است. با این حال تکنولوژی های تشخیص چهره نیازی به هیچگونه تماس نداشته و برای صنایعی مناسب هستند که به دلایلی چون طبیعت آن کار یا حفظ قدرت و استحکام دستگاه مربوطه نمیخواهند که کارکنان با آن دستگاه در تماس باشند.

صنایع اقتصادی، بهداشتی، اتوماسیون و تولیدی از جمله صنایعی هستند که از این تکنولوژی بهره میبرند. درخواست های زیادی از سوی صنایعی وجود دارد که خواهان تایید بدون تماس و در عین حال دقیق هستند، دستگاه های تشخیص چندوجهی چنین قابلیتی را در اختیار افراد قرار می دهند.

در آینده پتانسل رشد دستگاه های تشخیص اثرانگشت-چهره بسیار بزرگ خواهد بود. فقط کافی است که نگاهی به گوشی هوشمند خود بیاندازید. تمامی گوشی های هوشمند دیروز (و امروز) به نظر میرسد که دارای سنسورهای اثرانگشت باشند. موضوع مورد بحث فعلی، استفاده از قابلیت تشخیص چهره برای دسترسی پیدا کردن به گوشی هوشمند خود است. صدها میلیون کاربر گوشی های هوشمند در سراسر جهان با کمکبیومتریک ها به گوشی خود دسترسی پیدا میکنند. این روند به رشد خود ادامه خواهد داد و به تدریج به قاعده ای در فضای تجاری تبدیل خواهد شد.

برگرفته از مجله a&s

http://www.didarc.com/fa/news/fingerprint-face-readers-see-growth-potential

به دلیل استفاده ی گسترده از مانیتورینگ با وضوح بالا، در یک بازه ی زمانی کوتاه میزان داده های موردنیاز برای نظارت امنیتی به شکل قابل توجهی افزایش پیدا کرده است. جمع آوری کارآمد، تجزیه و تحلیل و بکارگیری داده ها و استفاده هوشمندانه از آنها بیشتر از هر زمان دیگری در این صنعت به موضوعی جدی تبدیل شده است.  بنابراین ارتقاء سطح هوشمندی ویدئویی، هدفی ناگزیر و همه گیر در این صنعت به نظر میرسد. کاربران امنیتی امیدوارند که سرمایه گذاری آنها روی محصولات جدید، مزایایی فراتر از دنباله روی و جستجوی ساده علایق افراد و جمع آوری شواهد پس از یک رخداد امنیتی برای آنها به ارمغان آورد. به جای آن نیاز به یافتن راه های چه بسا کارآمدتر که به نظارت اجازه ی گذار از جستجو پس از وقوع رخداد به هشدارهایی حین وقوع رخداد و یا حتی هشدارهایی پیش از وقوع رخداد به شدت احساس میشود. برای برآورده سازی این نیازها، تکنولوژی های جدیدی لازم است. نظارت ویدئویی هوشمند برای سالهای زیادی در دسترس بوده است. با این حال، نتایج بکارگیری آن چندان ایده آل واقع نشده است. ظهور یادگیری عمیق، امکان تحقق این نیازها را برآورده ساخته است.

عدم کفایت الگوریتم های هوشمند قدیمی

نظارت ویدئویی هوشمند قدیمی دارای الزامات بسیار دقیقی برای پس زمینه ی یک صحنه است. دقت شناسایی و تجزیه و تحلیل هوشمند در سناریوهای مشابه به صورت یکنواخت باقی نمی ماند.

ویژگی های موجود در الگوریتم های هوشمند قدیمی توسط انسانها طراحی شده اند و همیشه به شدت فردی بوده اند. ذات این سیستم های به گونه ای است که ویژگی های غیر شهودی تر (ویژگی هایی که فهم و توصیف آنها برای انسانها دشوارند) در آنها نادیده گرفته میشوند. در فرآیند یادگیری طبقه بندی، با بالا رفتن تعداد دسته های موجود برای طبقه بندی، سطح دشواری نیز بالا میرود.

الگوریتم های هوشمند قدیمی معمولا از مدلهای یادگیری سطحی برای حل و فصل شرایطی با میزان داده های بزرگ در طبقه بندی های پیچیده استفاده میکنند. نتایج این تجزیه و تحلیل با شرایط ایده آل بسیار فاصله دارد. از سوی دیگر، این نتایج مستقیما وسعت و عمق کاربری های هوشمند و پیشرفت بیشتر آنها را محدود میسازد. از این رو برای صنعت امنیت، نیاز به افزایش “عمق” هوشمندی در کلان داده ها در حال پدیدار شدن است.

مزایای یادگیری عمیق و الگوریتم های آن

الگوریتم های هوشمند قدیمی توسط انسانها طراحی شده اند. این سیستم ها چه در صورتی که خوب طراحی شده باشند و چه برعکس، تا حد زیادی وابسته به تجربه و حتی شانس هستند و این فرآیند نیازمند زمان بسیار زیادی است. بنابراین آیا میتوان با این ماشین ها کاری کرد که به صورت خودکار برخی از این ویژگی ها را یاد بگیرند؟ بله! در واقع این کار هدف هوش مصنوعی (AI﴾ است.
طرح تکنولوژی یادگیری عمیق از شبکه های عصبی مغز یک انسان الهام گرفته شده است. به مغز ما انسانها میتوان به چشم یک مدل یادگیری عمیق پیچیده نگاه کرد. شبکه های عصبی مغز متشکل از میلیاردها عصب به یکدیگر متصل هستند؛ یادگیری عمیق این ساختار را شبیه سازی میکند. این شبکه های چندلایه ای قادر به جمع آوری اطلاعات و انجام فعالیت های متناظر واز قابلیت تشخیص و بازآفرینی سوژه برخوردار هستند.

یادگیری عمیق به صورت ذاتی با الگوریتم های دیگر متفاوت است. نحوه ی حل و برطرف سازی عدم کفایت الگوریتم های سنتی توسط یادگیری عمیق در جنبه های ذیل گنجانده شده است.

نخست، از “سطحی” به “عمیق”

مدل الگوریتمی یادگیری عمیق از ساختار به مراتب عمیق تری نسبت به دو ساختار سه لایه ای الگوریتم های قدیمی برخوردار است. در برخی از موارد، تعداد لایه ها به بیش از یکصد میرسد که این موضوع یادگیری عمیق را قادر به پردازش حجم زیادی از داده در طبقه بندی های پیچیده میسازد. یادگیری عمیق بسیار مشابه فرآیند یادگیری انسان عمل میکند و دارای فرآیند تشخیص ویژگی لایه لایه است. یادگیری عمیق به ما کمک میکند تا فهم جزئی (سطحی) به یک تشخیص کلی (عمیق) تبدیل شده و بدین شکل سوژه موردنظر شناسایی شود.

دوم، از “ویژگی های مصنوعی” به “یادگیری ویژگی”

یادگیری عمیق نیازی به مداخله دستی ندارد، ولی در عوض برای استخراج ویژگی ها وابسته به یک کامپیوتر است. بدین شکل یادگیری عمیق میتواند بیشترین تعداد ویژگی های ممکن را از سوژه موردنظر استخراج کند؛ ویژگی های غیرشهودی که برای توصیف دشوار یا غیرممکن هستند از جمله این ویژگی ها محسوب میشوند. هر چه تعداد ویژگی ها بیشتر باشد، امر شناسایی و تشخیص دقیقتر خواهد بود.

فاکتورهای اصلی یادگیری عمیق

به صورت کلی سه دلیل عمده برای شهرت یافتن یادگیری عمیق در سالهای اخیر (چرا زودتر از آن این اتفاق نیافتاده است!) وجود دارد: مقیاس داده های موردنیاز، قدرت محاسبه و ساختار شبکه.

پیشرفتهای صورت گرفته در عملکرد الگوریتم های داده-محور در یک بازه ی زمانی بسیار کوتاه باعث تسریع نفوذ یادگیری عمیق در کاربری های هوشمند مختلف شده است. مخصوصا که با افزایش در مقیاس داده ها، عملکرد الگوریتمی نیز بهبود یافته است. از این رو تجربه ی کاربر بهبود یافته و کاربران بیشتری درگیر این موضوع شده اند که این کار خود باعث تسهیل بیشتر در مقیاس بزرگتری از داده ها شده است.

پلتفرم های سخت افزاری با عملکرد بالا باعث فعالسازی قدرت محاسباتی بیشتر میشوند. مدل یادگیری عمیق نیازمند تعداد نمونه های زیادی است که این موضوع انجام حجم زیادی از محاسبات را اجتناب ناپذیر میسازد. پیشرفت سریع واحدهای پردازش گرافیکی ﴿GPU﴾، سوپرکامپیوترها، محاسبات ابری و سایر پلتفرم های سخت افزاری با عملکرد بالا شرایط را برای ممکن شدن یادگیری عمیق فراهم نموده اند.

در آخر، ساختار شبکه نقش خود را در پیشرفت یادگیری عمیق ایفا میکند. با کمک بهینه سازی مداوم الگوریتم های یادگیری عمیق، تشخیص سوژه ی بهتری صورت میگیرد. برای کاربری های پیچیده تری چون تشخیص چهره و یا در سناریوهایی با نورپردازی، زوایا، حالت ها و عوامل متفاوت دیگر، ساختار شبکه دقت تشخیص را تحت تاثیر قرار خواهد داد.

موارد بکارگیری محصولات یادگیری عمیق

در دو سال گذشته، تکنولوژی یادگیری عمیق در زمینه هایی چون تشخیص صدا، بینایی رایانه ای یا کامپیوتر، ترجمه صوتی و بسیاری موارد دیگر به خوبی ظاهر شده است. این تکنولوژی در زمینه هایی چون تایید چهره و طبقه بندی تصاویر از قابلیت های انسانی نیز پیشی گرفته است؛ از این رو برای صنعت امنیت در زمینه هایی چون نظارت ویدئویی که کاربری هایی چون تشخیص چهره، تشخیص خودرو، تشخیص ویژگی بدن انسانی، دنباله روی چندین سوژه مختلف و سایر موارد را شامل میشود، به یادگیری عمیق توجه زیادی میشود.

این نوع از عملکردهای هوشمند به یک سری دوربین های نظارتی جلویی، سرورهای پشتی و دیگر محصولاتی نیازمندند که از الگوریتم های یادگیری عمیق پشتیبانی کنند. در کاربردهای با مقیاس کوچک، دوربین های جلویی میتوانند مستقیما کار استخراج ویژگی از یک انسان ساختارمند و وسیله نقلیه را انجام دهند و هزاران تصویر از چهره ی افراد را میتوان در دستگاه های جلویی ذخیره سازی کرد تا چهره ها به صورت مستقیم با یکدیگر مقایسه شوند و بدین شکل هزینه های برقراری ارتباط با سرور کاهش یابد. در کاربردهای با مقیاس بزرگ، دوربین های جلویی میتوانند با سرورهای پشتی کار کنند. مخصوصا اینکه کار ویدئویی ساختارمند به وسیله ی دستگاه های جلویی صورت میگیرد و بدینوسیله بار کاری دستگاه های پشتی کاهش می یابد؛ همچنین کارآمدی تطابق و جستجوی سرورهای پشتی ارتقاء پیدا میکند.

یادگیری عمیق سطح بعدی پیشرفت هوش مصنوعی است. این تکنولوژی بسیار فراتر از یادگیری ماشین عمل میکند؛ در یادگیری ماشین، کار طبقه بندی نظارت شده ی ویژگی ها و الگوها با کمک الگوریتم ها صورت میگیرد. دقت بهبودیافته نتیجه ی یادگیری چندلایه ای و جمع آوری گسترده داده ها است. بکارگیری این الگوریتم در تشخیص چهره، تشخیص وسیله نقلیه، تشخیص افراد و سایر پلتفرم ها باعث پیشرفت قابل توجه عملکردآنالیتیک ها خواهد شد.

منبع: مجله a&s

http://www.didarc.com/fa/news/how-deep-learning-benefits-the-security-industry