Waarom lijkt video-AI minder nauwkeurig door regen, glas of insectenwebben?
Video-AI wordt minder betrouwbaar door regen, glas of spinnenwebben, omdat optische interferentie echte kenmerken verbergt en tegelijkertijd overtuigende valse kenmerken creëert.
Een terrascamera kan op een droge avond mensen betrouwbaar detecteren, maar vervolgens meldingen over dieren of personen genereren wanneer een nat web oplicht onder infraroodlicht. Het model ziet pixels, geen ‘weer’. Druppels, reflecties en draden vlak voor de lens kunnen die pixels domineren of de contouren uitwissen die nodig zijn om een onderwerp op afstand te herkennen.
Interferentie voegt kenmerken toe die niet bij de scène horen
Regenstrepen creëren korte heldere lijnen; druppels breken het licht en vervagen plaatselijke gebieden; glas voegt reflecties toe; en spinnenwebben vormen contrastrijke krommingen dicht bij de lens. Detectors die zijn getraind op gewone scènes kunnen die patronen interpreteren als onderdelen van een object of de echte omtrek erachter verliezen.
Onderzoek naar het verwijderen van regen in één beeld modelleert regen als een visuele laag die van de scène-inhoud kan worden gescheiden. De behoefte aan speciale verwijderingsmethoden laat zien dat regen de beeldstructuur verandert en niet alleen de helderheid verlaagt.
Interferentie vlak voor de lens is buitenproportioneel krachtig, omdat deze ondanks de geringe fysieke omvang veel pixels inneemt. Infraroodlicht kan een draad of druppel verlichten terwijl de oprit op afstand donker blijft. Het valse kenmerk kan daardoor meer contrast krijgen dan de echte persoon die het systeem zou moeten vinden.
Glas en water creëren concurrerende beelden
Een camera achter glas kan tegelijkertijd de buitenomgeving en een reflectie van binnen vastleggen. Focus, belichting en polarisatie bepalen welke laag domineert. Water voegt brekende vervorming toe die verandert wanneer druppels naar beneden glijden, waardoor een statische achtergrond temporeel instabiel wordt, zelfs als er buiten niets betekenisvols beweegt.
Onderzoek naar het verwijderen van reflecties behandelt reflectiescheiding als twee over elkaar liggende visuele componenten in plaats van één heldere scène. Dat model verklaart waarom gewone objectdetectie vertrouwen kan toekennen aan details uit de gereflecteerde ruimte in plaats van aan het bewaakte gebied.
Bewegingsdetectie kan eerst worden geactiveerd, waarna een detector het gewijzigde gebied moet classificeren. Het resulterende label kan overtuigend fout lijken, omdat de pipeline al een ongebruikelijke uitsnede heeft geselecteerd. Betrouwbaarheidsmetingen die zijn afgestemd op trainingsgegevens garanderen geen correctheid bij optische verontreiniging.
Wanneer het weer niet de hoofdoorzaak is
De verklaring met interferentie schiet tekort wanneer fouten aanhouden nadat de lens en het glas schoon zijn, of wanneer detecties samenvallen met encoderartefacten en weggevallen frames. Een modelupdate, gewijzigde gevoeligheid, omschakeling van de infraroodmodus of aangepast detectiegebied kan samenvallen met regen en zo een misleidende correlatie creëren.
Onderzoek dat specifiek is gericht op het detecteren van spinnenwebben meldt dat webben in bewakingsbeelden aanzienlijk veel valse alarmen kunnen veroorzaken. Een web is echter alleen causaal wanneer de positie en belichting ervan overeenkomen met de valse gebieden die het model ziet.
Het weer kan ook niet verklaren waarom een fout beperkt blijft tot de mobiele app als serverdetecties en opgeslagen frames correct blijven. Scheid obstructie bij het vastleggen van problemen met transport en weergave in de interface. Een natte scène met duidelijke objectcontouren kan nog steeds goed werken, terwijl één kleine, van achteren belichte druppel een specifieke camerahoek kan laten falen.
Breng obstructies in verband met de pixels die detecties activeren
Sla droge en verontreinigde clips op die met dezelfde camera en hetzelfde inferentiemodel zijn gemaakt. Markeer de pixelgebieden die door druppels, reflecties of webben worden ingenomen en vergelijk vervolgens of valse kaders deze gebieden overlappen. Leg de infraroodstatus, sluitertijd, versterking, objectgrootte, betrouwbaarheid en encoderbitrate vast.
Houd de test in een pipeline voor lokale gebeurtenisverwerking, zodat bestandsgebeurtenissen, inferentieframes en tijdstempels van meldingen kunnen worden vergeleken zonder dat een cloudservice ongemerkt de voorbewerking wijzigt. Gebruik meerdere nachten, omdat webben en druppels bewegen.
Beschouw optische interferentie als causaal wanneer fouten optreden samen met de obstructie, het beeldgebied ervan overlappen en onder verder vergelijkbare omstandigheden verdwijnen. Als fouten na het schoonmaken blijven bestaan of buiten de getroffen pixels optreden, onderzoek dan wijzigingen in het model of de stream. Als regen alleen meer bewegingsactiveringen veroorzaakt, maak dan onderscheid tussen triggergevoeligheid en classificatienauwkeurigheid.
Aanbevolen producten
Tech & AI HUB
Meer om te lezen
Welke invloed heeft downsampling van tijdreeksen op anomaliedetectie in een slimme woning?
Ontdek hoe bucketbreedte, aggregatie, anti-aliasing, ontbrekende gegevens, gebeurtenisduur en retentie op meerdere schalen de detectie van afwijkingen in slimme woningen beïnvloeden.
Hoe combineert een bezettingsraster zwakke signalen van een slim huis?
Leer hoe ruimtelijke cellen, sensormodellen, log-odds-updates, verval, gecorreleerd bewijs en drempelwaarden zwakke signalen uit huis omzetten in bezettingsschattingen.
Hoe beïnvloedt fotometrische normalisatie het clusteren van privégezichten?
Bekijk hoe verlichtingscorrectie gezichtscrops, embeddings, clust afstanden, drempelwaarden, overnormalisatie en de evaluatie van privéfotozoekopdrachten verandert.
