Tel: +998977838464

2026
III Международный форум биоэкономики: специальный выпуск

IV-SEKSIYA - IQLIMGA MOSLASHUV VA EKOLOGIK MUVOZANATNI SAQLASHGA XIZMAT QILUVCHI INNOVATSION YECHIMLARNI TARGʻIB QILISH

REAL VAQT REJIMIDAGI VIDEOKUZATUV TIZIMLARIDA OBYEKTLARNI ANIQLASH VA TANISHNING NEYRON TARMOQ USULLARI: SIRKULYAR IQTISODIYOT VA RESURS SAMARADORLIGI YONDASHUVI

DOI 10.67668/mj/2026issmaxsus/2193 Страницы 281-286

Опубликован 2026-09-25

Авторы
Xolmatov Azizbek Tolibjonovich
Организация
Ichki ishlar vazirligi Tashkiliy departamenti Situatsion-tahliliy markazi smena boshligʻi
III Bioiqtisodiyot xalqaro forumi, Buxoro, 24-25-sentabr 2026
PDF (узбекский) Google Scholar Google Scholar

Аннотация

В статье нейросетевые методы обнаружения, отслеживания и распознавания лиц в системах видеонаблюдения систематизированы с позиций циркулярной экономики. Показано, что опубликованные результаты нельзя сравнивать напрямую из-за различий наборов данных и графических процессоров. Предложена аналитическая модель полной задержки кадра и числа потоков на один ускоритель: на условном примере вызов детектора на каждом пятом кадре увеличил число потоков с 3 до 12. Разработаны рекомендации по ограничению распознавания лиц и экономии оборудования. Анализ охватил опубликованные результаты моделей YOLO, Faster R-CNN, YOLOv7, RT-DETR, DeepSORT, ByteTrack, FaceNet и ArcFace. Показан компромисс между частотой обнаружения, пропускной способностью по потокам и задержкой обнаружения нового объекта в каскадной архитектуре. Рекомендации опираются на правовые требования к обработке биометрических данных и контроль оператора. Предложенная модель позволяет заранее оценить число ускорителей, необходимых при проектировании системы видеоаналитики.

Ключевые слова

искусственный интеллект, видеонаблюдение, обнаружение объектов, нейронные сети, циркулярная экономика, распознавание лиц, режим реального времени, задержка

Библиографические ссылки

  1. Deng, J., Guo, J., Xue, N., & Zafeiriou, S. (2019). ArcFace: Additive angular margin loss for deep face recognition. In Proceedings of the IEEE/CVF Conference on Computer Vision and Pattern Recognition (pp. 4685-4694). https://doi.org/10.1109/CVPR.2019.00482
  2. Ellen MacArthur Foundation. (2019). The circular economy in detail. https://www.ellenmacarthurfoundation.org/the-circular-economy-in-detail-deep-dive
  3. European Parliament & Council of the European Union. (2024). Regulation (EU) 2024/1689 laying down harmonised rules on artificial intelligence (Artificial Intelligence Act). Official Journal of the European Union, L, 2024/1689. https://eur-lex.europa.eu/eli/reg/2024/1689/oj
  4. Grother, P., Ngan, M., & Hanaoka, K. (2019). Face recognition vendor test (FRVT) part 3: Demographic effects (NISTIR 8280). National Institute of Standards and Technology. https://doi.org/10.6028/NIST.IR.8280
  5. International Telecommunication Union & United Nations Institute for Training and Research. (2024). Global E-waste Monitor 2024. https://www.itu.int/en/ITU-D/Environment/Pages/Publications/The-Global-E-Waste-Monitor-2024.aspx
  6. Redmon, J., Divvala, S., Girshick, R., & Farhadi, A. (2016). You only look once: Unified, real-time object detection. In Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition (pp. 779-788). https://doi.org/10.1109/CVPR.2016.91
  7. Ren, S., He, K., Girshick, R., & Sun, J. (2017). Faster R-CNN: Towards real- time object detection with region proposal networks. IEEE Transactions on Pattern Analysis and Machine Intelligence, 39(6), 1137-1149. https://doi.org/10.1109/TPAMI.2016.2577031
  8. Schroff, F., Kalenichenko, D., & Philbin, J. (2015). FaceNet: A unified embedding for face recognition and clustering. In Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition (pp. 815-823). https://doi.org/10.1109/CVPR.2015.7298682
  9. Wang, C.-Y., Bochkovskiy, A., & Liao, H.-Y. M. (2023). YOLOv7: Trainable bag-of-freebies sets new state-of-the-art for real-time object detectors. In Proceedings of the IEEE/CVF Conference on Computer Vision and Pattern Recognition (pp. 7464- 7475). https://doi.org/10.1109/CVPR52729.2023.00721
  10. Wojke, N., Bewley, A., & Paulus, D. (2017). Simple online and realtime tracking with a deep association metric. In 2017 IEEE International Conference on Image Processing (pp. 3645-3649). IEEE. https://doi.org/10.1109/ICIP.2017.8296962
  11. Zhang, Y., Sun, P., Jiang, Y., Yu, D., Weng, F., Yuan, Z., Luo, P., Liu, W., & Wang, X. (2022). ByteTrack: Multi-object tracking by associating every detection box. In Computer Vision - ECCV 2022 (pp. 1-21). Springer. https://doi.org/10.1007/978-3-031-20047-2_1
  12. Zhao, Y., Lv, W., Xu, S., Wei, J., Wang, G., Dang, Q., Liu, Y., & Chen, J. (2024). DETRs beat YOLOs on real-time object detection. In Proceedings of the IEEE/CVF Conference on Computer Vision and Pattern Recognition (pp. 16965- 16974). https://doi.org/10.1109/CVPR52733.2024.01605
  13. Oʻzbekiston Respublikasining 2019-yil 2-iyuldagi OʻRQ-547-son “Shaxsga doir maʼlumotlar toʻgʻrisida”gi Qonuni. https://lex.uz/docs/-4396419
  14. Oʻzbekiston Respublikasi Prezidentining 2024-yil 4-yanvardagi PF-5-son “Chiqindilarni boshqarish tizimini takomillashtirish va ularning ekologik vaziyatga salbiy taʼsirini kamaytirish boʻyicha chora-tadbirlar toʻgʻrisida”gi Farmoni. https://lex.uz/docs/-6732832
  15. Spot.uz. (2025, 14-iyul). Toshkentda SIʼga ega kameralar piyodalarga yoʻl bermayotgan haydovchilarni aniqlay boshladi. https://www.spot.uz/oz/2025/07/14/cameras-ai/

Скачивания

Данные скачивания пока недоступны.