ಪ್ರತಿಯೊಂದು ಪ್ರಮುಖ ನಗರವೂ ಈಗ ವೀಡಿಯೊಗಳ ಮೇಲೆ ಕಾರ್ಯನಿರ್ವಹಿಸುತ್ತಿದೆ. ಸಂಚಾರದ ಕ್ರಾಸ್ರಸ್ಸುಗಳು, ಸಬ್ವೇ ಪ್ಲಾಟ್ಫಾರ್ಮ್ಗಳು, ಸಾರ್ವಜನಿಕ ಉದ್ಯಾನವನಗಳು ಮತ್ತು ಶಾಪಿಂಗ್ ಪ್ರದೇಶಗಳು ನಿರಂತರ ದೃಶ್ಯಗಳನ್ನು ನಗರ ನಿಯಂತ್ರಣ ಕೊಠಡಿಗಳಿಗೆ ರವಾನಿಸುತ್ತಿವೆ. ಈ ದತ್ತಾಂಶದ ಪ್ರಮಾಣವು ಬೆಚ್ಚಿಬೀಳಿಸುವಂತಿದೆ. ಸರಿಯಾದ ವಿಶ್ಲೇಷಣೆ ಇಲ್ಲದಿದ್ದರೆ, ಆ ದೃಶ್ಯಗಳು ಕೇವಲ ಸರ್ವರ್ ಸ್ಥಳವನ್ನು ಬಳಸುವ ದುಬಾರಿ ಫೈಲ್ಗಳಾಗಿ ಉಳಿಯುತ್ತವೆ. ಡೀಪ್ ಲರ್ನಿಂಗ್ ಈ ಪರಿಸ್ಥಿತಿಯನ್ನು ಬದಲಿಸಿದೆ. ಇದು ನಗರ ವ್ಯವಸ್ಥೆಗಳಿಗೆ ಘಟನೆಗಳು ಸಂಭವಿಸುತ್ತಿರುವಾಗಲೇ ಅವುಗಳನ್ನು ವೀಕ್ಷಿಸಲು, ಅರ್ಥಮಾಡಿಕೊಳ್ಳಲು ಮತ್ತು ಪ್ರತಿಕ್ರಿಯಿಸಲು ಶಕ್ತಿ ನೀಡುತ್ತದೆ, ಇದರಿಂದ ನಿಷ್ಕ್ರಿಯ ರೆಕಾರ್ಡಿಂಗ್ಗಳು ಸಕ್ರಿಯ ಮೂಲಸೌಕರ್ಯಗಳಾಗಿ ಬದಲಾಗುತ್ತವೆ.
ಪಿಕ್ಸೆಲ್ಗಳಿಂದ ನಿರ್ಧಾರಗಳವರೆಗೆ
ಸಾಂಪ್ರದಾಯಿಕ ಕಂಪ್ಯೂಟರ್ ವಿಷನ್ ತಂತ್ರಜ್ಞಾನವು ಕೈಯಿಂದ ರೂಪಿಸಿದ ನಿಯಮಗಳ ಮೇಲೆ ಅವಲಂಬಿತವಾಗಿತ್ತು. ನಿರ್ದಿಷ್ಟ ಆಕಾರಗಳು, ಬಣ್ಣಗಳು ಅಥವಾ ಚಲನೆಯ ಮಾದರಿಗಳನ್ನು ಹುಡುಕಲು ಎಂಜಿನಿಯರ್ಗಳು ವ್ಯವಸ್ಥೆಗಳನ್ನು ಪ್ರೋಗ್ರಾಂ ಮಾಡುತ್ತಿದ್ದರು. ಈ ವಿಧಾನಗಳು ನಿಯಂತ್ರಿತ ಪ್ರಯೋಗಾಲಯಗಳಲ್ಲಿ ಕೆಲಸ ಮಾಡಿದವು, ಆದರೆ ನಗರಗಳು ಅಸ್ತವ್ಯಸ್ತವಾಗಿರುತ್ತವೆ. ನೆರಳುಗಳು ಬದಲಾಗುತ್ತವೆ. ಮಳೆ ಮಸಕಾಗಿಸುತ್ತದೆ. ತರಬೇತಿ ಚಿತ್ರಗಳಿಗಿಂತ ಭಿನ್ನವಾಗಿ ಕಾಣುವ ಛತ್ರಿಗಳ ಅಡಿಯಲ್ಲಿ ಜನಸಂದಣಿ ಸೇರುತ್ತದೆ. ನಿಯಮ ಆಧಾರಿತ ವ್ಯವಸ್ಥೆಗಳು ನಿರಂತರವಾಗಿ ವಿಫಲವಾಗುತ್ತಿದ್ದವು ಮತ್ತು ತಪ್ಪು ಎಚ್ಚರಿಕೆಗಳ (false positives) ಸುಳಿಯಲ್ಲಿ ಆಪರೇಟರ್ಗಳನ್ನು ಸಿಲುಕಿಸುತ್ತಿದ್ದವು.
ಡೀಪ್ ಲರ್ನಿಂಗ್ ಈ ಸಮಸ್ಯೆಯನ್ನು ವಿಭಿನ್ನವಾಗಿ ಎದುರಿಸುತ್ತದೆ. ಕನ್ವಲ್ಯೂಷನಲ್ ನ್ಯೂರಲ್ ನೆಟ್ವರ್ಕ್ಗಳು ಮತ್ತು ಅವುಗಳ ವಂಶಸ್ಥರು ದತ್ತಾಂಶದಿಂದ ನೇರವಾಗಿ ವೈಶಿಷ್ಟ್ಯಗಳನ್ನು ಕಲಿಯುತ್ತಾರೆ. ಕಂಪ್ಯೂಟರ್ಗೆ ಸೈಕಲ್ ಹೇಗಿರುತ್ತದೆ ಎಂದು ಹೇಳುವ ಬದಲು, ಎಂಜಿನಿಯರ್ಗಳು ಅದಕ್ಕೆ ಲಕ್ಷಾಂತರ ಲೇಬಲ್ ಮಾಡಿದ ಉದಾಹರಣೆಗಳನ್ನು ನೀಡುತ್ತಾರೆ, ಇದರಿಂದ ಆ ಮಾದರಿಯು (model) ಸೈಕಲ್ ಬಗ್ಗೆ ತನ್ನದೇ ಆದ ಆಂತರಿಕ ಪರಿಕಲ್ಪನೆಯನ್ನು ರೂಪಿಸಿಕೊಳ್ಳುತ್ತದೆ. ಇದರ ಫಲಿತಾಂಶವೆಂದರೆ, ಯಾವುದೇ ಅಡೆತಡೆಗಳಿಲ್ಲದೆ ನೈಜ ಪ್ರಪಂಚದ ವೈವಿಧ್ಯತೆಯನ್ನು ನಿಭಾಯಿಸುವ ವ್ಯವಸ್ಥೆ. ಜನದಟ್ಟಣೆಯಿರುವ ರಸ್ತೆಯಲ್ಲಿದ್ದ ಕ್ಯಾಮೆರಾವು ಸಂಜೆಯ ಸಮಯದಲ್ಲಿ ಅಥವಾ ಮಂಜಿನ ನಡುವೆಯೂ ಬಸ್ನಿಂದ ವಿತರಣಾ ವ್ಯಾನ್ ಅನ್ನು ಗುರುತಿಸಬಲ್ಲದು. ಅತಿ ಮುಖ್ಯವಾಗಿ, ಈ ಮಾದರಿಯು ಕೇವಲ ಪಿಕ್ಸೆಲ್ಗಳ ಬದಲಿಗೆ ಕಾನ್ಫಿಡೆನ್ಸ್ ಸ್ಕೋರ್ಗಳು ಮತ್ತು ರಚನಾತ್ಮಕ ಮೆಟಾಡೇಟಾವನ್ನು ನೀಡುತ್ತದೆ, ಇದರರ್ಥ ಡೌನ್ಸ್ಟ್ರೀಮ್ ಸಾಫ್ಟ್ವೇರ್ಗಳು ತಕ್ಷಣವೇ ಎಚ್ಚರಿಕೆಗಳನ್ನು ನೀಡಬಹುದು, ಡ್ಯಾಶ್ಬೋರ್ಡ್ಗಳನ್ನು ಅಪ್ಡೇಟ್ ಮಾಡಬಹುದು ಅಥವಾ ನೇರವಾಗಿ ಟ್ರಾಫಿಕ್ ನಿಯಂತ್ರಣ ಹಾರ್ಡ್ವೇರ್ಗೆ ಮಾಹಿತಿ ನೀಡಬಹುದು.
ಸಂಚಾರ ನಿರ್ವಹಣೆ ಮತ್ತು ಹರಿವಿನ ನಿಯಂತ್ರಣ
ನಗರದ ಸಂಚಾರ ನಿರ್ವಹಣೆಯು ವೀಡಿಯೊ ಅನಾಲಿಟಿಕ್ಸ್ನ ಅತ್ಯಂತ ಸ್ಪಷ್ಟವಾದ ಯಶಸ್ಸಿನ ಕ್ಷೇತ್ರಗಳಲ್ಲಿ ಒಂದಾಗಿದೆ. ನಿಗದಿತ ಸಮಯದ ಸಂಚಾರ ದೀಪಗಳನ್ನು ದಶಕಗಳ ಹಿಂದೆ ಸಂಚಾರದ ಮಾದರಿಗಳನ್ನು ಆಧರಿಸಿ ವಿನ್ಯಾಸಗೊಳಿಸಲಾಗಿತ್ತು. ಆದರೆ ಸಂಗೀತ ಕಾರ್ಯಕ್ರಮವೊಂದು ಎರಡು ಗಂಟೆಗಳ ಮುಂಚಿತವಾಗಿಯೇ ಮುಗಿದು ರಸ್ತೆಗೆ ಜನ ಬಂದಾಗ ಅಥವಾ ಸಣ್ಣ ಅಪಘಾತದಿಂದಾಗಿ ಮಧ್ಯದ ಲೇನ್ ಬಂದ್ ಆದಾಗ ಅವುಗಳಿಗೆ ಹೊಂದಿಕೊಳ್ಳಲು ಸಾಧ್ಯವಾಗುವುದಿಲ್ಲ.
ಸಂಚಾರದ ಕ್ರಾಸ್ರಸ್ಸುಗಳಲ್ಲಿ ಅಳವಡಿಸಲಾದ ಡೀಪ್ ಲರ್ನಿಂಗ್ ವ್ಯವಸ್ಥೆಗಳು ವಾಹನಗಳ ಪ್ರಕಾರವನ್ನು ಎಣಿಸುತ್ತವೆ, ಕೆಂಪು ದೀಪದ ಬಳಿ ಸಾಲಿನಲ್ಲಿರುವ ವಾಹನಗಳ ಉದ್ದವನ್ನು ಅಳೆಯುತ್ತವೆ ಮತ್ತು ಕಾಯುವ ಸಮಯವನ್ನು ಅಂದಾಜಿಸುತ್ತವೆ. ನಗರದ ಎಂಜಿನಿಯರ್ಗಳು ರಸ್ತೆ ಏಕೆ ದಟ್ಟವಾಗುತ್ತಿದೆ ಎಂಬ ಕಾರಣವನ್ನು ತಿಳಿಯಬಹುದು. ಈ ಹಿನ್ನಡೆಯು ಸಂಚಾರದ ಒತ್ತಡದಿಂದಾಗಿ ಆಗಿದೆಯೇ, ರಕ್ಷಿತ ಸಿಗ್ನಲ್ ಇಲ್ಲದ ಎಡ ತಿರುವುಗಳಿಂದ ಆಗಿದೆಯೇ ಅಥವಾ ಸಿಗ್ನಲ್ ಉಲ್ಲಂಘಿಸಿ ರಸ್ತೆ ದಾಟುವ ಜನರಿಂದ ಆಗಿದೆಯೇ? ಆನ್-ಬೋರ್ಡ್ ಇನ್ಫರೆನ್ಸ್ ಹೊಂದಿರುವ ಕ್ಯಾಮೆರಾಗಳು ವಾಹನಗಳ ಹರಿವಿಗೆ ಅನುಗುಣವಾಗಿ ಸಿಗ್ನಲ್ ಸಮಯವನ್ನು ನೈಜ ಸಮಯದಲ್ಲಿ (real time) ಹೊಂದಾಣಿಕೆ ಮಾಡಿಕೊಳ್ಳಬಲ್ಲವು. ಕೆಲವು ವ್ಯವಸ್ಥೆಗಳು ತಕ್ಷಣವೇ ಘಟನೆಗಳನ್ನು ಗುರುತಿಸುತ್ತವೆ—ತಪ್ಪು ದಿಕ್ಕಿನಲ್ಲಿ ಚಲಿಸುವ ಚಾಲಕರು, ನಿಂತುಹೋದ ವಾಹನ ಅಥವಾ ರಸ್ತೆಯಲ್ಲಿರುವ ಕಸವನ್ನು ಪತ್ತೆಹಚ್ಚುತ್ತವೆ—ಇದು ಮನುಷ್ಯರು ಮಾನಿಟರ್ಗಳನ್ನು ನೋಡಿ ಪ್ರತಿಕ್ರಿಯಿಸುವುದಕ್ಕಿಂತಲೂ ವೇಗವಾಗಿರುತ್ತದೆ.
ಈ ಪರಿಕರಗಳು ವಿಶಾಲವಾದ ನಗರ ಯೋಜನೆಯೊಂದಿಗೆ ಕೂಡ ಸಂಯೋಜಿತವಾಗಿವೆ. ವೀಡಿಯೊಗಳನ್ನು ವಾರಗಟ್ಟಲೆ ವಿಶ್ಲೇಷಿಸುವ ಮೂಲಕ, ನಗರಗಳು ದೀರ್ಘಕಾಲದ ಸಂಚಾರ ದಟ್ಟಣೆಯ ಪ್ರದೇಶಗಳನ್ನು ಗುರುತಿಸುತ್ತವೆ. ಇದು ಹೊಸ ತಿರುವುಗಳ ಲೇನ್ಗಳು ಅಥವಾ ಬದಲಾಯಿಸಲಾದ ವೇಗ ಮಿತಿಗಳ ಅಗತ್ಯವನ್ನು ಸೂಚಿಸುತ್ತದೆ, ಇದರಿಂದ ಕೇವಲ ಊಹಾಪೋಹಗಳ ಬದಲಿಗೆ ವಾಸ್ತವಿಕ ನಡವಳಿಕೆಯನ್ನು ಆಧರಿಸಿ ನಿರ್ಧಾರ ತೆಗೆದುಕೊಳ್ಳಬಹುದು.
ಸಾರ್ವಜನಿಕ ಸುರಕ್ಷತೆ ಮತ್ತು ಮೇಲ್ವಿಚಾರಣೆ
ಸುರಕ್ಷತಾ ಅನ್ವಯಿಕೆಗಳು ಕೇವಲ ಚಲನೆಯ ಪತ್ತೆಗಿಂತ (motion detection) ಬಹಳ ಮುಂದಿವೆ. ಆಧುನಿಕ ಅನಾಲಿಟಿಕ್ಸ್ ಅಪಘಾತಗಳು ಅಥವಾ ಅಪರಾಧಗಳಿಗೆ ಮುನ್ಸೂಚನೆ ನೀಡುವ ಮಾದರಿಗಳನ್ನು ಪತ್ತೆಹಚ್ಚಬಲ್ಲದು. ನಿಗದಿತ ಸಮಯಕ್ಕಿಂತ ಹೆಚ್ಚು ಕಾಲ ರೈಲು ಪ್ಲಾಟ್ಫಾರ್ಮ್ನಲ್ಲಿ ಅನಾಧೃತವಾಗಿ ಬಿಡಲಾದ ಬೆಕ್ಪ್ಯಾಕ್ ಒಂದು ಎಚ್ಚರಿಕೆಯನ್ನು ನೀಡುತ್ತದೆ. ನದಿ ತೀರದ ಕ್ಯಾಮೆರಾಗಳಲ್ಲಿ ಕಾಣುವ ಹೊಗೆ ಅಥವಾ ಜನಸಂದಣಿ ಇದ್ದಕ್ಕಿದ್ದಂತೆ ಚದುರುವುದು ಯಾರೂ ಕರೆ ಮಾಡುವ ಮೊದಲೇ ತುರ್ತು ಪರಿಸ್ಥಿತಿಯನ್ನು ಸೂಚಿಸಬಹುದು.
ಇಲ್ಲಿನ ಪ್ರಮುಖ ಸುಧಾರಣೆಯೆಂದರೆ ವಿವೇಚನಾಶೀಲತೆ (selectivity). ಹಳೆಯ ವ್ಯವಸ್ಥೆಗಳು ಪ್ರತಿಯೊಂದು ಅಳಿಲು ಅಥವಾ ಅಲುಗಾಡುವ ಮರದ ಕೊಂಬೆಯನ್ನು ನೋಡಿ ಎಚ್ಚರಿಕೆ ನೀಡುತ್ತಿದ್ದವು. ಡೀಪ್ ಲರ್ನಿಂಗ್ ಮಾದರಿಗಳು ಅಪ್ರಸ್ತುತ ಚಲನೆಗಳನ್ನು ಹೊರಗಿಡುತ್ತವೆ ಮತ್ತು ನಿಜವಾದ ಅಸಹಜ ನಡವಳಿಕೆಯನ್ನು ಮಾತ್ರ ಗುರುತಿಸುತ್ತವೆ. ಪ್ಲಾಜಾದಲ್ಲಿ ನಡೆಯುವ ಜಗಳವು ಸ್ನೇಹಿತರ ನಡುವಿನ ತಮಾಷೆಯಾಟ ಅಥವಾ ಬೀದಿ ಕಲಾವಿದರ ನೃತ್ಯಕ್ಕಿಂತ ಭಿನ್ನವಾದ ಚಲನೆಯ ಮಾದರಿಯನ್ನು ಹೊಂದಿರುತ್ತದೆ. ಭದ್ರತಾ ಸಿಬ್ಬಂದಿಯು ನೂರಾರು ತಪ್ಪು ಎಚ್ಚರಿಕೆಗಳ ಹಿಂದೆ ಓಡುವ ಬದಲು, ದೃಢೀಕರಿಸಲ್ಪಟ್ಟ ಕೆಲವು ಘಟನೆಗಳ ಮೇಲೆ ಮಾತ್ರ ಗಮನ ಹರಿಸಬಹುದು.
ಜನಸಂದಣಿ ಮೇಲ್ವಿಚಾರಣೆ ಮತ್ತು ಸಾಂದ್ರತೆಯ ವಿಶ್ಲೇಷಣೆ
ದೊಡ್ಡ ಸಾರ್ವಜನಿಕ ಸಮಾವೇಶಗಳು ವಿಶಿಷ್ಟ ಅಪಾಯಗಳನ್ನು ತಂದೊಡ್ಡುತ್ತವೆ. ಕ್ರೀಡಾಂಗಣದ ನಿರ್ಗಮನಗಳು, ಹಬ್ಬದ ಸ್ಥಳಗಳು ಮತ್ತು ರಜಾ ದಿನಗಳಲ್ಲಿ ಸಾರಿಗೆ ಕೇಂದ್ರಗಳು ಜನಸಂದಣಿ ಸುರಕ್ಷಿತ ಮಿತಿಗಿಂತ ಹೆಚ್ಚಾದಾಗ ಅಪಾಯಕಾರಿಯಾಗಬಹುದು. ಡೀಪ್ ಲರ್ನಿಂಗ್ ವ್ಯವಸ್ಥೆಗಳು ದೃಶ್ಯದಲ್ಲಿ ಜನರ ವಿತರಣೆಯನ್ನು ವಿಶ್ಲೇಷಿಸುವ ಮೂಲಕ ಜನಸಂದಣಿಯನ್ನು ಎಣಿಸುವ ಮತ್ತು ಸಾಂದ್ರತೆಯನ್ನು ಅಂದಾಜಿಸುವ ಕೆಲಸವನ್ನು ಮಾಡುತ್ತವೆ.
ಈ ಪರಿಕರಗಳು ಜನಸಂದಣಿ ಎಲ್ಲಿ ಸಾಂದ್ರವಾಗುತ್ತಿದೆ ಎಂಬುದನ್ನು ತೋರಿಸುವ ಹೀಟ್ಮ್ಯಾಪ್ಗಳನ್ನು (heatmaps) ನೈಜ ಸಮಯದಲ್ಲಿ ಸೃಷ್ಟಿಸುತ್ತವೆ. ಕಾರ್ಯಕ್ರಮದ ಸಂಘಟಕರು ಮತ್ತು ಪೊಲೀಸರು ಅಪಾಯಕಾರಿ ಜನಸಂದಣಿ ಉಂಟಾಗುವ ಮೊದಲೇ ಪರ್ಯಾಯ ನಿರ್ಗಮನಗಳನ್ನು ತೆರೆಯಬಹುದು, ಪಾದಚಾರಿ ಸಂಚಾರವನ್ನು ಮರುನಿರ್ದೇಶಿಸಬಹುದು ಅಥವಾ ಜನಸಂದಣಿ ಬರುವುದನ್ನು ತಡೆಯಬಹುದು. ಸಾಮಾನ್ಯ ಸಮಯದಲ್ಲಿ, ಇದೇ ತಂತ್ರಜ್ಞಾನವು ವಾಣಿಜ್ಯ ಕಾರಿಡಾರ್ಗಳು ಅಥವಾ ಸಾರಿಗೆ ಮೆಜಾನಿನ್ಗಳ ಮೂಲಕ ಪಾದಚಾರಿಗಳ ಹರಿವನ್ನು ಅಳೆಯುತ್ತದೆ, ಇದು ವಾಸ್ತುಶಿಲ್ಪಿಗಳು ಮತ್ತು ನಗರ ಯೋಜಕರಿಗೆ ಜನರು ಹಂಚಿಕೆಯ ಸ್ಥಳಗಳಲ್ಲಿ ಹೇಗೆ ಚಲಿಸುತ್ತಾರೆ ಎಂಬುದನ್ನು ಅರ್ಥಮಾಡಿಕೊಳ್ಳಲು ಸಹಾಯ ಮಾಡುತ್ತದೆ. ವಿಮಾನ ನಿಲ್ದಾಣಗಳು ಮತ್ತು ಸರ್ಕಾರಿ ಕಚೇರಿಗಳಲ್ಲಿ ಸಾಲಿನಲ್ಲಿರುವ ಜನರ ಸಂಖ್ಯೆಯನ್ನು ಅಂದಾಜಿಸುವುದರಿಂದ, ಸಾಲುಗಳು ಅತಿಯಾಗುವ ಮೊದಲೇ ಸಿಬ್ಬಂದಿ ಹೆಚ್ಚುವರಿ ಸೇವಾ ವಿಂಡೋಗಳನ್ನು ತೆರೆಯಲು ಅನುವು ಮಾಡಿಕೊಡುತ್ತದೆ.
ನಗರ ಪರಿಸರದಲ್ಲಿ ವಸ್ತುಗಳ ಪತ್ತೆ ಮತ್ತು ಟ್ರ್ಯಾಕಿಂಗ್ (Object Detection and Tracking in Urban Settings)
ನಗರಗಳು ಚಲಿಸುವ ಭಾಗಗಳಿಂದ ತುಂಬಿವೆ: ಪಾದಚಾರಿಗಳು, ಸೈಕಲ್ ಸವಾರರು, ಸ್ಕೂಟರ್ ಸವಾರರು, ಸಾಕುಪ್ರಾಣಿಗಳು, ಡೆಲಿವರಿ ರೋಬೋಟ್ಗಳು ಮತ್ತು ಎಲ್ಲಾ ಗಾತ್ರದ ವಾಹನಗಳು. ಡೀಪ್ ಲರ್ನಿಂಗ್ (Deep learning) ವ್ಯವಸ್ಥೆಗಳು ಕೇವಲ ಒಂದು ಫ್ರೇಮ್ನಲ್ಲಿ ಈ ವಸ್ತುಗಳನ್ನು ಪತ್ತೆ ಮಾಡುವುದಿಲ್ಲ; ಅವು ಕಾಲಾನಂತರದಲ್ಲಿ ಮತ್ತು ಕ್ಯಾಮೆರಾ ನೆಟ್ವರ್ಕ್ಗಳ ಮೂಲಕ ಅವುಗಳನ್ನು ಟ್ರ್ಯಾಕ್ ಮಾಡುತ್ತವೆ.
ಮಲ್ಟಿ-অবಜೆಕ್ಟ್ ಟ್ರ್ಯಾಕಿಂಗ್ (Multi-object tracking) ಒಂದು ದೃಶ್ಯದಲ್ಲಿ ಚಲಿಸುವ ವಸ್ತುಗಳಿಗೆ ಸ್ಥಿರವಾದ ಗುರುತನ್ನು ನೀಡುತ್ತದೆ. ನಿಲ್ಲಿಸಿದ ವ್ಯಾನ್ ಹಿಂದೆ ಹೋಗುವ ಪಾದಚಾರಿ ವ್ಯವಸ್ಥೆಯಿಂದ ಮಾಯವಾಗುವುದಿಲ್ಲ; ಮಾಡೆಲ್ ಆ ವಸ್ತುವಿನ ಹಾದಿಯನ್ನು (trajectory) ಊಹಿಸುತ್ತದೆ ಮತ್ತು ಅದು ಮತ್ತೆ ಕಾಣಿಸಿಕೊಂಡಾಗ ಅದನ್ನು ಮರಳಿ ಪತ್ತೆ ಮಾಡುತ್ತದೆ. ಒಂದಕ್ಕೊಂದು ಪೂರಕವಾಗಿರುವ ದೃಷ್ಟಿಕೋನಗಳನ್ನು ಹೊಂದಿರುವ ಕ್ಯಾಮೆರಾ ನೆಟ್ವರ್ಕ್ ವಿಸ್ತರಿಸಿದಾಗ, 'ಪರ್ಸನ್ ರೀ-ಐಡೆಂಟಿಫಿಕೇಶನ್' (person re-identification) ತಂತ್ರಜ್ಞಾನವು ಒಬ್ಬ ದುರ್ಬಲ ವ್ಯಕ್ತಿಯನ್ನು ಹಿಂಬಾಲಿಸಲು ಅಥವಾ ಕಳೆದುಹೋದ ಮಗುವನ್ನು ಪತ್ತೆಹಚ್ಚಲು ಸಹಾಯ ಮಾಡುತ್ತದೆ, ಇದಕ್ಕಾಗಿ ಗಂಟೆಗಟ್ಟಲೆ ಫೂಟೇಜ್ ಅನ್ನು ಮನುಷ್ಯರು ಹುಡುಕುವ ಅಗತ್ಯವಿರುವುದಿಲ್ಲ.
ಈ ಸಾಮರ್ಥ್ಯಗಳು ಲಾಜಿಸ್ಟಿಕ್ಸ್ ಮತ್ತು ಜಾರಿಗೊಳಿಸುವಿಕೆಗೆ (enforcement) ಬೆಂಬಲ ನೀಡುತ್ತವೆ. ಆಟೋಮೇಟೆಡ್ ಲೈಸೆನ್ಸ್ ಪ್ಲೇಟ್ ರೆಕಗ್ನಿಷನ್ (Automated license plate recognition) ಈಗಾಗಲೇ ಸಾಮಾನ್ಯವಾಗಿದೆ, ಆದರೆ ಹೊಸ ವಾಹನ ರೀ-ಐಡೆಂಟಿಫಿಕೇಶನ್ ವ್ಯವಸ್ಥೆಗಳು ಪ್ಲೇಟ್ ಅನ್ನು ಓದದೆಯೇ ಬಂಪರ್ ಸ್ಟಿಕ್ಕರ್ಗಳು, ರೂಫ್ ರಾಕ್ಗಳು ಅಥವಾ ಚಕ್ರದ ವಿನ್ಯಾಸಗಳಂತಹ ವಿಭಿನ್ನ ಲಕ್ಷಣಗಳನ್ನು ಬಳಸಿ ನಿರ್ದಿಷ್ಟ ಕಾರಿನ ಪ್ರಯಾಣವನ್ನು ಟ್ರ್ಯಾಕ್ ಮಾಡಬಲ್ಲವು. ಕಾನೂನು ಜಾರಿ ಸಂಸ್ಥೆಗಳಿಗೆ ಇದು ಶಕ್ತಿಯುತವಾಗಿದೆ, ಆದರೆ ಇದು ವ್ಯಾಪ್ತಿ ಮತ್ತು ಮೇಲ್ವಿಚಾರಣೆಯ ಬಗ್ಗೆ ನ್ಯಾಯಸಮ್ಮತವಾದ ಪ್ರಶ್ನೆಗಳನ್ನು ಎತ್ತುತ್ತದೆ, ಇದನ್ನು ನಗರ ಆಡಳಿತಗಾರರು ಕಟ್ಟುನಿಟ್ಟಾದ ನೀತಿಯ ಮೂಲಕ ಪರಿಹರಿಸಬೇಕಾಗುತ್ತದೆ.
ಮೂಲಸೌಕರ್ಯ ಸವಾಲು (The Infrastructure Challenge)
ನಗರ ಮಟ್ಟದಲ್ಲಿ ಈ ವ್ಯವಸ್ಥೆಗಳನ್ನು ನಿಯೋಜಿಸುವುದು ಕೇವಲ ಸಾಫ್ಟ್ವೇರ್ ಸಮಸ್ಯೆಯಲ್ಲ. ಹೈ-ರೆಸಲ್ಯೂಶನ್ ವೀಡಿಯೊಗಳನ್ನು ಸ್ಟ್ರೀಮ್ ಮಾಡುವ ಸಾವಿರಾರು ಕ್ಯಾಮೆರಾಗಳು ಪೆಟಾಬೈಟ್ಗಳಷ್ಟು ಡೇಟಾವನ್ನು ಸೃಷ್ಟಿಸುತ್ತವೆ. ವಿಶ್ಲೇಷಣೆಗಾಗಿ ಎಲ್ಲವನ್ನೂ ಕೇಂದ್ರ ಕ್ಲೌಡ್ಗೆ ಕಳುಹಿಸುವುದು ದುಬಾರಿ ಮತ್ತು ನಿಧಾನವಾಗಿದೆ. ಕಂಪ್ಯೂಟಿಂಗ್ ಸಾಮರ್ಥ್ಯಕ್ಕಿಂತ ಮೊದಲು ನೆಟ್ವರ್ಕ್ ಬ್ಯಾಂಡ್ವಿಡ್ತ್ ಮಿತಿ ಎದುರಾಗುತ್ತದೆ.
ನಗರಗಳು ಎಡ್ಜ್ ಕಂಪ್ಯೂಟಿಂಗ್ (edge computing) ಮೂಲಕ ಇದಕ್ಕೆ ಪ್ರತಿಕ್ರಿಯಿಸುತ್ತಿವೆ. ಆಧುನಿಕ ಸ್ಮಾರ್ಟ್ ಕ್ಯಾಮೆರಾಗಳು ಮೀಸಲಾದ ಇನ್ಫರೆನ್ಸ್ ಅಕ್ಸಿಲರೇಟರ್ಗಳನ್ನು (inference accelerators) ಒಳಗೊಂಡಿದ್ದು, ಅವು ಮಾಡೆಲ್ಗಳನ್ನು ಸ್ಥಳೀಯವಾಗಿ ರನ್ ಮಾಡುತ್ತವೆ ಮತ್ತು ಕೇವಲ ಎಚ್ಚರಿಕೆಗಳು, ಎಣಿಕೆಗಳು ಅಥವಾ ಸಂಕುಚಿತ ಮೆಟಾಡೇಟಾವನ್ನು ಮಾತ್ರ ಕೇಂದ್ರ ಕಚೇರಿಗೆ ರವಾನಿಸುತ್ತವೆ. ಇದು ಬ್ಯಾಂಡ್ವಿಡ್ತ್ ವೆಚ್ಚವನ್ನು ಕಡಿಮೆ ಮಾಡುತ್ತದೆ ಮತ್ತು ವಿಳಂಬವನ್ನು (latency) ಸೆಕೆಂಡುಗಳಿಂದ ಮಿಲಿಸೆಕೆಂಡ್ಗಳಿಗೆ ತಗ್ಗಿಸುತ್ತದೆ, ಇದು ಟ್ರಾಫಿಕ್ ಸಿಗ್ನಲ್ಗಳನ್ನು ಹೊಂದಾಣಿಕೆ ಮಾಡುವಾಗ ಅಥವಾ ರೈಲನ್ನು ನಿಲ್ಲಿಸುವಾಗ ಬಹಳ ಮುಖ್ಯವಾಗುತ್ತದೆ.
ನಿರ್ವಹಣೆಯು ಮತ್ತೊಂದು ಅಡಚಣೆಯಾಗಿದೆ. ಹೊರಾಂಗಣ ಕ್ಯಾಮೆರಾಗಳು ಕೊಳೆ, ಮಂಜು ಮತ್ತು ಜೇಡರ ಬಲೆಗಳನ್ನು ಸಂಗ್ರಹಿಸುತ್ತವೆ. ಶುದ್ಧವಾದ ಚಿತ್ರಗಳ ಮೇಲೆ ತರಬೇತಿ ಪಡೆದ ಮಾಡೆಲ್, ಲೆನ್ಸ್ ಕೊಳವೆಯಾದಾಗ ಕಾರ್ಯಕ್ಷಮತೆಯನ್ನು ಕಳೆದುಕೊಳ್ಳುತ್ತದೆ. ವಿಶ್ವಾಸಾರ್ಹ ನಿಯೋಜನೆಗಳಿಗೆ ಸ್ವಯಂಚಾಲಿತ ಆರೋಗ್ಯ ಮೇಲ್ವಿಚಾರಣೆ ಮತ್ತು ಕ್ಷೇತ್ರ ನಿರ್ವಹಣಾ ವೇಳಾಪಟ್ಟಿಗಳು ಅಗತ್ಯವಾಗಿವೆ. ಫರ್ಮ್ವೇರ್ ಅಪ್ಡೇಟ್ಗಳು, ಸ್ಥಳೀಯ ಡೇಟಾ ಬಳಸಿ ಮಾಡೆಲ್ ಮರು-ತರಬೇತಿ ಮತ್ತು ಭದ್ರತಾ ಪ್ಯಾಚ್ಗಳು ನಿರಂತರ ಕಾರ್ಯಾಚರಣೆಯ ವೆಚ್ಚಗಳನ್ನು ಹೆಚ್ಚಿಸುತ್ತವೆ, ಇದನ್ನು ಪೈಲಟ್ ಯೋಜನೆಗಳ ಸಮಯದಲ್ಲಿ ಖರೀದಿ ತಂಡಗಳು ಹೆಚ್ಚಾಗಿ ಕಡಿಮೆ ಅಂದಾಜಿಸುತ್ತವೆ.
ಗೌಪ್ಯತೆ ಮತ್ತು ಮಾನವ ಅಂಶ (Privacy and the Human Element)
ನಗರ ವೀಡಿಯೊ ಅನಾಲಿಟಿಕ್ಸ್ ಬಗ್ಗೆ ಯಾವುದೇ ಚರ್ಚೆಯು ಗೌಪ್ಯತೆಯನ್ನು ಬಿಟ್ಟುಬಿಡಲು ಸಾಧ್ಯವಿಲ್ಲ. ಪಾದಚಾರಿಗಳನ್ನು ಎಣಿಸುವ ಅದೇ ಮಾಡೆಲ್ಗಳು ಮುಖಗಳನ್ನು ಗುರುತಿಸಬಹುದು. ಕಳೆದುಹೋದ ವ್ಯಕ್ತಿಯನ್ನು ಹುಡುಕುವ ಅದೇ ಟ್ರ್ಯಾಕಿಂಗ್ ಪ್ರತಿಭಟನಾಕಾರರನ್ನು ಹಿಂಬಾಲಿಸಬಹುದು. ಈ ಪರಿಕರಗಳನ್ನು ಅಳವಡಿಸಿಕೊಳ್ಳುವ ನಗರಗಳು ಸ್ಪಷ್ಟವಾದ ಡೇಟಾ ಉಳಿತಾಯ ಮಿತಿಗಳನ್ನು ಸ್ಥಾಪಿಸಬೇಕು, ಮುಖ ಗುರುತಿಸುವಿಕೆಯನ್ನು ವಾರಂಟ್ ಅಥವಾ ಸಮ್ಮತಿಯ ಅಡಿಯಲ್ಲಿ ನಿರ್ದಿಷ್ಟ ಸಂದರ್ಭಗಳಿಗೆ ಮಾತ್ರ ಸೀಮಿತಗೊಳಿಸಬೇಕು ಮತ್ತು ಕ್ಯಾಮೆರಾ ಸ್ಥಳಗಳು ಮತ್ತು ವ್ಯವಸ್ಥೆಯ ಸಾಮರ್ಥ್ಯಗಳ ಬಗ್ಗೆ ಪಾರದರ್ಶಕತೆಯ ವರದಿಗಳನ್ನು ಪ್ರಕಟಿಸಬೇಕು.
ಅನಾಲಿಮೈಸೇಶನ್ (Anonymization) ತಂತ್ರಗಳು ಸಹಾಯ ಮಾಡುತ್ತವೆ. ಸಂಚಾರ ಅಥವಾ ಸುರಕ್ಷತಾ ನಿರ್ವಹಣೆಗೆ ಅಗತ್ಯವಿರುವ ವರ್ತನಾ ಮೆಟಾಡೇಟಾವನ್ನು ಮಾತ್ರ ಹೊರತೆಗೆಯುವ ಮೂಲಕ, ಮುಖಗಳು ಮತ್ತು ಲೈಸೆನ್ಸ್ ಪ್ಲೇಟ್ಗಳನ್ನು ಡಿಫಾಲ್ಟ್ ಆಗಿ ಮಸುಕುಗೊಳಿಸಲು (blur) ಮಾಡೆಲ್ಗಳನ್ನು ಕಾನ್ಫಿಗರ್ ಮಾಡಬಹುದು. ವಾರಗಟ್ಟಲೆ ಕಚ್ಚಾ ಫೂಟೇಜ್ ಅನ್ನು ಕೇಂದ್ರ ಸರ್ವರ್ನಲ್ಲಿ ಸಂಗ್ರಹಿಸುವ ಬದಲು ಡೇಟಾವನ್ನು ಎಡ್ಜ್ನಲ್ಲಿ ಸ್ಥಳೀಯವಾಗಿ ಪ್ರಕ್ರಿಯೆಗೊಳಿಸುವುದು ಸಾಮೂಹಿಕ ಕಣ್ಗಾವಲು ಮತ್ತು ಡೇಟಾ ಉಲ್ಲಂಘನೆಯ ಅಪಾಯವನ್ನು ಕಡಿಮೆ ಮಾಡುತ್ತದೆ.
ಇಲ್ಲಿ ಪರಿಶೀಲಿಸಲಾದ ಅಲ್ಗಾರಿದಮ್ಗಳು ಮತ್ತು ಅಪ್ಲಿಕೇಶನ್ಗಳ ಬಗ್ಗೆ ಹೆಚ್ಚಿನ ಮಾಹಿತಿಗಾಗಿ, ಸಂಪೂರ್ಣ ಸಂಶೋಧನಾ ಪ್ರಬಂಧವು source paper on Dev.to ನಲ್ಲಿ ಲಭ್ಯವಿದೆ. ನೀವು ನಗರ AI ಮತ್ತು ಕಂಪ್ಯೂಟರ್ ವಿಷನ್ನಲ್ಲಿ ಕೆಲಸ ಮಾಡುವ ಇತರರೊಂದಿಗೆ ಈ ವಿಚಾರಗಳನ್ನು ಚರ್ಚಿಸಲು ಬಯಸಿದರೆ, GyaanSetu Telegram community ನಲ್ಲಿ ಚರ್ಚೆಯಲ್ಲಿ ಭಾಗವಹಿಸಿ.
ಮಾಡೆಲ್ ತರಬೇತಿಗೊಂಡ ನಂತರವೇ ನಿಜವಾದ ಕೆಲಸ ಪ್ರಾರಂಭವಾಗುತ್ತದೆ
ಡೀಪ್ ಲರ್ನಿಂಗ್ ವಿಡಿಯೋ ಅನಾಲಿಟಿಕ್ಸ್ ಅನ್ನು ವೈಜ್ಞಾನಿಕ ಪ್ರಯೋಗದಿಂದ ಕಾರ್ಯಾಚರಣೆಯ ವಾಸ್ತವಕ್ಕೆ ತಂದಿದೆ. ಸ್ಮಾರ್ಟ್ ಸಿಟಿಗಳಲ್ಲಿನ ಕ್ಯಾಮೆರಾಗಳು ಇನ್ನು ಮುಂದೆ ಕೇವಲ ಚಿತ್ರೀಕರಿಸುವುದಿಲ್ಲ; ಅವು ಅರ್ಥೈಸುತ್ತವೆ, ಅಳೆಯುತ್ತವೆ ಮತ್ತು ಪ್ರತಿಕ್ರಿಯಿಸುತ್ತವೆ. ಈಗಾಗಲೇ ಚಿತ್ರೀಕರಿಸಲ್ಪಡುತ್ತಿರುವ ವಿಡಿಯೋಗಳನ್ನು ಬಳಸಿಕೊಂಡು ಸಂಚಾರದ ಹರಿವನ್ನು ನಿರ್ವಹಿಸಲು, ಜನಸಂದಣಿಯ ದುರಂತಗಳನ್ನು ತಡೆಯಲು ಮತ್ತು ತುರ್ತು ಪ್ರತಿಕ್ರಿಯೆಯನ್ನು ವೇಗಗೊಳಿಸಲು ತಂತ್ರಜ್ಞಾನವು ಲಭ್ಯವಿದೆ.
ಆದರೆ ಹಾರ್ಡ್ವೇರ್ ಮತ್ತು ಅಲ್ಗಾರಿದಮ್ಗಳು ಕೆಲಸದ ಒಂದು ಭಾಗ ಮಾತ್ರ. ನಿರ್ವಹಣಾ ಯೋಜನೆಗಳಿಲ್ಲದೆ, ಬ್ಯಾಂಡ್ವಿಡ್ತ್ ಮಿತಿಗಳನ್ನು ಗೌರವಿಸುವ ನೆಟ್ವರ್ಕ್ ಆರ್ಕಿಟೆಕ್ಚರ್ ಇಲ್ಲದೆ ಮತ್ತು ಗೌಪ್ಯತೆಯ ರಕ್ಷಣಾತ್ಮಕ ಕ್ರಮಗಳಿಲ್ಲದೆ ಈ ಪರಿಕರಗಳನ್ನು ಬಳಸುವ ನಗರವು, ಒಂದು ಕಡೆ ದುಬಾರಿ ವೈಫಲ್ಯವನ್ನು ಅಥವಾ ಇನ್ನೊಂದು ಕಡೆ ಆಕ್ರಮಣಕಾರಿ ಕಣ್ಗಾವಲು ವ್ಯವಸ್ಥೆಯನ್ನು ಸೃಷ್ಟಿಸುತ್ತದೆ. ವ್ಯತ್ಯಾಸವು ಅನುಷ್ಠಾನದ ವಿವರಗಳಲ್ಲಿ ಅಡಗಿದೆ. ಡೀಪ್ ಲರ್ನಿಂಗ್ ಕಣ್ಣುಗಳನ್ನು ಒದಗಿಸಿದರೆ; ನಗರ ಯೋಜಕರು ಮತ್ತು ಎಂಜಿನಿಯರ್ಗಳು ವಿವೇಚನೆಯನ್ನು ಒದಗಿಸುತ್ತಾರೆ.