Miglioramento della rilevazione di tiratori per la sicurezza pubblica

La violenza armata è un grosso problema negli Stati Uniti. Per affrontare questa questione, ci sono sempre più sforzi per sviluppare sistemi che possano aiutare a migliorare la sicurezza pubblica, specialmente rilevando e tracciando gli autori degli spari. L'obiettivo è capire dove si trovano gli sparatori e cosa stanno facendo, il che può aiutare a prevenire o ridurre il danno causato da eventi violenti.

#Approcci Attuali

La maggior parte dei sistemi esistenti si concentra sulla rilevazione delle armi specificamente. Tuttavia, il nostro approccio è diverso: vogliamo rilevare lo sparatore come una persona intera, non solo la sua arma. In questo modo, anche se la pistola è nascosta alla vista, il sistema può comunque identificare lo sparatore. Sfortunatamente, non ci sono molti dati pubblici disponibili sugli sparatori, il che rende questo compito più complicato.

Per affrontare questo problema, ci rivolgiamo ai Dati Sintetici, che sono informazioni generate al computer che imitano scenari del mondo reale. Abbiamo utilizzato strumenti come Unreal Engine per creare ambienti virtuali in cui gli sparatori e altri interagiscono. Allenando il nostro sistema con questi dati sintetici, speriamo di migliorare la sua capacità di funzionare bene in varie situazioni.

#Metodologia

#Creazione di Dati Sintetici

Abbiamo creato dati di addestramento sintetici utilizzando Unreal Engine, che ci consente di simulare diversi ambienti. Gli scenari virtuali comprendevano posti come scuole, ospedali e centri commerciali. In queste simulazioni, abbiamo programmato attori per comportarsi come sparatori e persone in fuga. Abbiamo poi catturato filmati di questi eventi simulati da utilizzare per addestrare il nostro sistema di rilevamento e tracciamento.

#Randomizzazione del dominio

Una delle sfide con i dati sintetici è che non sempre si traducono bene in situazioni reali. Per migliorare questo, abbiamo utilizzato una tecnica chiamata randomizzazione del dominio. Questo significa che abbiamo reso i nostri dati sintetici più vari per aiutare il sistema ad apprendere meglio. Ad esempio, abbiamo cambiato i colori degli oggetti e le posizioni degli attori nelle simulazioni per creare molti scenari diversi.

#Addestramento del Modello

Abbiamo utilizzato un popolare modello di rilevamento chiamato YOLOv8 per il nostro sistema. Questo modello è efficiente ed efficace, specialmente per rilevare oggetti più piccoli come le armi. Lo abbiamo addestrato usando varie combinazioni di dati reali e sintetici, testando quale mix ci desse i migliori risultati. Durante l'addestramento, ci siamo concentrati su due classi principali: sparatori e armi.

#Rilevamento e Tracciamento degli Sparatori

Una volta addestrato il nostro modello, avevamo bisogno di un modo per tracciare gli sparatori in modo efficace. Abbiamo utilizzato un sistema di tracciamento chiamato Deep OC-SORT combinato con un altro componente chiamato OSNET per identificare gli individui. Questo ci ha permesso di seguire gli sparatori nel tempo, anche quando potrebbero essere oscurati o nascosti alla vista.

#Conferma della Rilevazione delle Armi

Per garantire che il nostro sistema di tracciamento sia accurato, abbiamo implementato un metodo in cui la presenza di un'arma viene utilizzata per confermare che un individuo rilevato è uno sparatore. In altre parole, prima di etichettare qualcuno come sparatore, controlliamo se sta impugnando un'arma.

#Valutazione delle Prestazioni del Sistema

Dopo aver sviluppato il nostro sistema, avevamo bisogno di valutare quanto funzionasse effettivamente. Lo abbiamo fatto valutando sia la performance di rilevamento che di tracciamento usando varie metriche. Queste valutazioni sono state eseguite utilizzando video reali, alcuni dei quali non presentavano alcuno sparatore per testare la capacità del sistema di evitare falsi allerta.

#Risultati

#Performance di Rilevamento

Abbiamo testato più versioni del nostro modello di rilevamento, addestrando ciascuno su diverse combinazioni di dati reali e sintetici. I risultati hanno mostrato che utilizzare entrambi i tipi di dati consente al modello di performare meglio rispetto all'uso di soli dati reali.

#Performance di Tracciamento

Abbiamo anche valutato le prestazioni di tracciamento del nostro sistema. Questo ha comportato l'analisi di quanto bene mantenesse l'identità di uno sparatore su più fotogrammi video. Abbiamo notato che ci sono stati casi in cui il sistema ha avuto difficoltà a identificare costantemente la stessa persona, un problema noto come cambiamento di ID.

#Funzionalità del Dispositivo Edge

Uno degli obiettivi principali del nostro sistema è quello di funzionare su dispositivi di calcolo a basso costo, noti come dispositivi edge, come Raspberry Pi e Jetson Nano. Abbiamo controllato quanto rapidamente il nostro sistema può elaborare informazioni su questi dispositivi, assicurandoci che possa fornire allerta in tempo reale in situazioni critiche.

#Affrontare le Sfide

Sebbene abbiamo fatto progressi significativi, rimangono ancora diverse sfide. La rilevazione delle armi tende ad essere meno accurata rispetto al rilevamento degli sparatori. Questo è probabilmente dovuto al fatto che le armi sono più piccole e meno distinguibili in diversi contesti. C'è anche il rischio di preoccupazioni per la privacy poiché il nostro sistema si basa su filmati video catturati da telecamere di sicurezza esistenti.

#Direzioni Future

In futuro, c'è un chiaro margine di miglioramento delle prestazioni del nostro sistema migliorando le capacità di rilevamento delle armi. Questo potrebbe comportare l'integrazione delle nostre scoperte con i dataset esistenti di rilevamento delle armi per creare un modello più robusto.

Inoltre, ulteriori test in situazioni reali aiuteranno a perfezionare il nostro approccio, assicurandoci che possa adattarsi alle complessità di vari ambienti e situazioni. Esplorare altre tecnologie per un miglior tracciamento e rilevamento può anche essere utile.

#Conclusione

La lotta contro la violenza armata richiede soluzioni innovative. Il nostro sistema di rilevamento e tracciamento mira a migliorare la sicurezza pubblica fornendo informazioni più rapide e accurate su potenziali minacce. Sfruttando il potere dei dati sintetici e dei metodi di tracciamento avanzati, speriamo di contribuire a creare spazi pubblici più sicuri.

Mentre continuiamo a perfezionare la nostra tecnologia, siamo impegnati ad affrontare le sfide dando priorità alla privacy e alla sicurezza degli individui. Il nostro obiettivo è non solo migliorare i metodi di rilevamento e tracciamento, ma anche facilitare strategie di risposta efficaci in situazioni di emergenza.