Fortschritte bei der Schützen-Erkennung für die öffentliche Sicherheit

Waffengewalt ist ein grosses Problem in den USA. Um das anzugehen, gibt's immer mehr Bemühungen, Systeme zu entwickeln, die helfen, die öffentliche Sicherheit zu verbessern, indem sie Schützen erkennen und verfolgen. Das Ziel ist zu verstehen, wo sich Schützen aufhalten und was sie tun, was dabei helfen kann, Schäden durch gewalttätige Ereignisse zu verhindern oder zu verringern.

#Aktuelle Ansätze

Die meisten bestehenden Systeme konzentrieren sich darauf, Waffen speziell zu erkennen. Unser Ansatz ist jedoch anders: Wir wollen den Schützen als ganze Person erkennen, nicht nur seine Waffe. So kann das System den Schützen auch dann identifizieren, wenn die Waffe verborgen ist. Leider gibt es nicht viele öffentliche Daten über Schützen, was die Aufgabe komplizierter macht.

Um dieses Problem zu lösen, nutzen wir Synthetische Daten, also computer-generierte Informationen, die reale Szenarien nachahmen. Wir haben Tools wie Unreal Engine verwendet, um virtuelle Umgebungen zu schaffen, in denen Schützen und andere interagieren. Durch das Trainieren unseres Systems mit diesen synthetischen Daten hoffen wir, seine Fähigkeit zu verbessern, in verschiedenen Situationen gut zu funktionieren.

#Methodologie

#Erstellen synthetischer Daten

Wir haben synthetische Trainingsdaten mit Unreal Engine erstellt, die es uns ermöglicht, verschiedene Umgebungen zu simulieren. Die virtuellen Szenarien beinhalteten Orte wie Schulen, Krankenhäuser und Einkaufszentren. In diesen Simulationen haben wir Schauspieler programmiert, die sich wie Schützen und Menschen, die versuchen zu fliehen, verhalten. Wir haben dann Videoaufnahmen dieser simulierten Ereignisse gemacht, um sie für das Training unseres Erkennungs- und Verfolgungssystems zu nutzen.

#Domänen-Randomisierung

Eine Herausforderung bei synthetischen Daten ist, dass sie nicht immer gut auf reale Situationen übertragbar sind. Um das zu verbessern, haben wir eine Technik namens Domänen-Randomisierung verwendet. Das bedeutet, dass wir unsere synthetischen Daten vielfältiger gemacht haben, damit das System besser lernen kann. Zum Beispiel haben wir die Farben von Objekten und die Positionen der Schauspieler in den Simulationen verändert, um viele verschiedene Szenarien zu schaffen.

#Modelltraining

Für unser System haben wir ein beliebtes Erkennungsmodell namens YOLOv8 verwendet. Dieses Modell ist effizient und effektiv, besonders bei der Erkennung kleinerer Objekte wie Waffen. Wir haben es mit verschiedenen Kombinationen aus echten und synthetischen Daten trainiert und getestet, welche Mischung die besten Ergebnisse liefert. Während des Trainings haben wir uns auf zwei Hauptkategorien konzentriert: Schützen und Waffen.

#Erkennung und Verfolgung von Schützen

Nachdem unser Modell trainiert war, brauchten wir eine Möglichkeit, Schützen effektiv zu verfolgen. Wir haben ein Verfolgungssystem namens Deep OC-SORT in Kombination mit einem anderen Bestandteil namens OSNET verwendet, um Individuen zu identifizieren. Das hat es uns ermöglicht, Schützen über die Zeit hinweg zu verfolgen, selbst wenn sie verdeckt oder verborgen sind.

#Bestätigung der Waffenerkennung

Um sicherzustellen, dass unser Verfolgungssystem genau ist, haben wir eine Methode implementiert, bei der die Anwesenheit einer Waffe genutzt wird, um zu bestätigen, dass eine erkannte Person ein Schütze ist. Mit anderen Worten, bevor wir jemanden als Schützen kennzeichnen, überprüfen wir, ob er eine Waffe hält.

#Bewertung der Systemleistung

Nachdem wir unser System entwickelt haben, mussten wir beurteilen, wie gut es tatsächlich funktioniert. Wir haben das getan, indem wir sowohl die Erkennungs- als auch die Verfolgungsleistung mit verschiedenen Metriken bewertet haben. Diese Bewertungen wurden mit echten Videos durchgeführt, von denen einige keine Schützen enthielten, um die Fähigkeit des Systems zu testen, falsche Alarme zu vermeiden.

#Ergebnisse

#Erkennungsleistung

Wir haben mehrere Versionen unseres Erkennungsmodells getestet und jede auf verschiedenen Kombinationen aus echten und synthetischen Daten trainiert. Die Ergebnisse zeigten, dass die Nutzung beider Datenarten dem Modell eine bessere Leistung ermöglicht, als wenn nur echte Daten verwendet werden.

#Verfolgungsleistung

Wir haben auch die Verfolgungsleistung unseres Systems bewertet. Dabei haben wir analysiert, wie gut es die Identität eines Schützen über mehrere Video-Frames hinweg beibehalten kann. Wir haben festgestellt, dass es manchmal Schwierigkeiten gab, dieselbe Person konstant zu identifizieren, was als ID-Switching bekannt ist.

#Funktionalität auf Edge-Geräten

Eines der Hauptziele unseres Systems ist es, auf kostengünstigen Rechenmaschinen, den sogenannten Edge-Geräten, wie dem Raspberry Pi und Jetson Nano, zu laufen. Wir haben überprüft, wie schnell unser System Informationen auf diesen Geräten verarbeiten kann, um sicherzustellen, dass es in kritischen Situationen Echtzeitwarnungen liefern kann.

#Herausforderungen angehen

Obwohl wir bedeutende Fortschritte gemacht haben, gibt es noch einige Herausforderungen. Die Erkennung von Waffen ist tendenziell weniger genau als die Erkennung von Schützen. Das liegt wahrscheinlich daran, dass Waffen kleiner und in verschiedenen Umgebungen weniger unterscheidbar sind. Es besteht auch das Risiko von Datenschutzproblemen, da unser System auf Videoaufnahmen von bestehenden Sicherheitskameras angewiesen ist.

#Zukünftige Richtungen

In Zukunft gibt es eine klare Möglichkeit, die Leistung unseres Systems zu verbessern, indem wir die Fähigkeiten zur Waffenerkennung verbessern. Das könnte beinhalten, unsere Erkenntnisse mit bestehenden Datensätzen zur Waffenerkennung zu integrieren, um ein robusteres Modell zu schaffen.

Zusätzlich wird weitere Tests in realen Umgebungen dazu beitragen, unseren Ansatz zu verfeinern, damit er sich an die Komplexität verschiedener Umgebungen und Situationen anpassen kann. Auch die Erkundung anderer Technologien zur Verbesserung von Verfolgung und Erkennung kann von Vorteil sein.

#Fazit

Der Kampf gegen Waffengewalt erfordert innovative Lösungen. Unser Erkennungs- und Verfolgungssystem zielt darauf ab, die öffentliche Sicherheit zu verbessern, indem es schnellere und genauere Informationen über potenzielle Bedrohungen bereitstellt. Durch die Nutzung der Kraft synthetischer Daten und fortschrittlicher Verfolgungsmethoden hoffen wir, zu sichereren öffentlichen Räumen beizutragen.

Während wir weiterhin unsere Technologie verfeinern, sind wir verpflichtet, Herausforderungen anzugehen und dabei die Privatsphäre und Sicherheit der Individuen zu priorisieren. Unser Ziel ist es, nicht nur die Erkennungs- und Verfolgungsmethoden zu verbessern, sondern auch effektive Reaktionsstrategien in Notfallsituationen zu erleichtern.