Warum wirkt Video-KI durch Regen, Glas oder Insektennetze weniger präzise?

Video-KI wird durch Regen, Glas oder Spinnweben unzuverlässiger, weil optische Störungen echte Merkmale verdecken und gleichzeitig überzeugende falsche Merkmale erzeugen.

Eine Terrassenkamera erkennt Personen an einem trockenen Abend möglicherweise zuverlässig und erzeugt dann Tier- oder Personenalarme, wenn ein nasses Spinnennetz unter Infrarotlicht aufleuchtet. Das Modell sieht Pixel, nicht „Wetter“. Tropfen, Reflexionen und fadenförmige Strukturen nahe der Linse können diese Pixel dominieren oder die Konturen auslöschen, die zur Erkennung eines entfernten Motivs benötigt werden.

Störungen fügen Merkmale hinzu, die nicht zur Szene gehören

Regenspuren erzeugen kurze helle Linien, Tropfen brechen das Licht und verwischen lokale Bereiche, Glas fügt Reflexionen hinzu und Spinnennetze bilden kontrastreiche Kurven nahe der Linse. Detektoren, die mit gewöhnlichen Szenen trainiert wurden, können diese Muster als Teile eines Objekts interpretieren oder die echte Kontur dahinter verlieren.

Bei der Forschung zu Einzelbildern modellieren Verfahren zur Regenentfernung Regen als visuelle Ebene, die vom Szeneninhalt getrennt werden kann. Der Bedarf an speziellen Entfernungsverfahren zeigt, dass Regen die Bildstruktur verändert, anstatt lediglich die Helligkeit zu verringern.

Störungen nahe der Linse sind überproportional wirksam, weil sie trotz ihrer geringen physischen Größe viele Pixel einnehmen. Infrarotlicht kann einen Faden oder Tropfen beleuchten, während die entfernte Einfahrt dunkel bleibt. Das falsche Merkmal kann dadurch mehr Kontrast erhalten als die echte Person, die das System erkennen soll.

Glas und Wasser erzeugen konkurrierende Bilder

Eine Kamera hinter Glas kann gleichzeitig die Szene im Außenbereich und eine Reflexion im Innenraum aufnehmen. Fokus, Belichtung und Polarisation bestimmen, welche Ebene dominiert. Wasser fügt eine Brechungsverzerrung hinzu, die sich bewegt, während Tropfen herunterlaufen. Dadurch wird ein statischer Hintergrund zeitlich instabil, selbst wenn sich draußen nichts Wesentliches bewegt.

Arbeiten zur Reflexionsentfernung behandeln die Trennung von Reflexionen als zwei übereinanderliegende visuelle Komponenten und nicht als eine klare Szene. Dieses Modell erklärt, warum die gewöhnliche Objekterkennung Details aus dem reflektierten Raum statt aus dem überwachten Bereich mit hoher Sicherheit bewerten kann.

Die Bewegungserkennung kann zuerst auslösen, gefolgt von einem Detektor, der den veränderten Bereich klassifizieren muss. Das daraus resultierende Label kann selbstbewusst falsch wirken, weil die Pipeline bereits einen ungewöhnlichen Bildausschnitt ausgewählt hat. An Trainingsdaten angepasste Konfidenzwerte garantieren unter optischer Verunreinigung keine Korrektheit.

Wenn das Wetter nicht die Hauptursache ist

Die Erklärung durch Störungen greift zu kurz, wenn die Fehler bestehen bleiben, nachdem Linse und Glas gereinigt wurden, oder wenn die Erkennungen mit Encoder-Artefakten und ausgelassenen Bildern übereinstimmen. Ein Modell-Update, eine veränderte Empfindlichkeit, ein Wechsel des Infrarotmodus oder eine geänderte Erkennungszone kann zeitgleich mit Regen auftreten und eine irreführende Korrelation erzeugen.

Forschungen zur Erkennung von Spinnennetzen berichten, dass Netze in der Überwachung erhebliche Mengen an Fehlalarmen verursachen können. Ein Netz ist jedoch nur dann ursächlich, wenn seine Position und Beleuchtung mit den vom Modell erkannten falschen Bereichen übereinstimmen.

Wetter kann außerdem keinen Fehler erklären, der auf die mobile App beschränkt ist, wenn serverseitige Erkennungen und gespeicherte Bilder weiterhin korrekt sind. Trennen Sie eine Behinderung bei der Aufnahme von Transport- und Darstellungsproblemen der Benutzeroberfläche. Eine nasse Szene mit klaren Objektkonturen kann weiterhin gut funktionieren, während ein einzelner kleiner, von hinten beleuchteter Tropfen einen bestimmten Kamerawinkel außer Kraft setzen kann.

Featured

ZimaCube 2 Persönliche Cloud Home NAS

ZimaCube2

$799.00 - $2,499.00

Buy Now

Ordnen Sie die Hindernisse den Pixeln zu, die Erkennungen auslösen

Speichern Sie trockene und verunreinigte Vergleichsclips derselben Kamera und desselben Inferenzmodells. Markieren Sie die Pixelbereiche, die von Tropfen, Reflexionen oder Spinnennetzen eingenommen werden, und vergleichen Sie anschließend, ob sich die falschen Begrenzungsrahmen mit diesen Bereichen überschneiden. Erfassen Sie den Infrarotstatus, die Verschlusszeit, die Verstärkung, die Objektgröße, die Konfidenz und die Encoder-Bitrate.

Halten Sie den Test in einer Pipeline zur lokalen Ereignisverarbeitung, damit Dateiereignisse, Inferenzbilder und Alarmzeitstempel ohne einen Cloud-Dienst verglichen werden können, der die Vorverarbeitung unbemerkt verändert. Testen Sie über mehrere Nächte, da sich Spinnennetze und Tropfen bewegen.

Bezeichnen Sie optische Störungen als ursächlich, wenn Fehler gemeinsam mit der Behinderung auftreten, sich mit deren Bildbereich überschneiden und unter ansonsten vergleichbaren Bedingungen verschwinden. Bleiben die Fehler nach der Reinigung bestehen oder treten sie außerhalb der betroffenen Pixel auf, untersuchen Sie Modell- oder Streamänderungen. Wenn Regen nur mehr Bewegungsauslösungen verursacht, unterscheiden Sie zwischen Auslöseempfindlichkeit und Klassifikationsgenauigkeit.