Zensors-app giver dig mulighed for at skaffe overvågning af live kamera

Hvis du har lyst til, at du har brug for øjne på bagsiden af ​​dit hoved, er der en crowddsourcing-app til det.

Zensors er en smartphone-applikation, der kan overvåge et område af interesse ved hjælp af et kamera, skarer og kunstig intelligens.

Udviklet af forskere fra Carnegie Mellon University og University of Rochester, ideen bag Zensors er at bruge ethvert kamera på et fast sted til at opdage ændringer i hvad der overvåges - for eksempel om et kæledyrs madskål er tom - og automatisk underrette brugerne.

Udviklerne siger, at det er en billig, tilgængelig måde at tilføje sensorer til miljøet, en del af bevægelsen mod at bygge smarte hjem og smarte byer.

Projektet, der blev præsenteret på Computer-Human Interaction Conference (CHI) i Seoul i denne uge, er baseret på enkle brugerspørgsmål skrevet på hverdagens sprog om det område, der overvåges..

Et spørgsmål kan for eksempel være: er der en bil på parkeringspladsen? Tilstedeværelsen af ​​en bil ville udløse et positivt svar i alarmen til brugeren, som kunne sendes via e-mail eller sms.

Kameraet kan være en billedsensor i enhver mobil enhed, forudsat at det er indstillet til at overvåge noget, eller et webcam, sikkerhedskamera eller et andet tilsluttet kamera. Det fanger billeder i et interval, der er indstillet af brugeren.

Brugere vælger først et område af interesse i kameraets visning ved at cirkle det med en finger på en berøringsskærm - det er beregnet til at begrænse overvågningen og beskytte privatlivets fred for mennesker, der muligvis går ind i en del af rammen.

Dernæst indtastes et spørgsmål i Zensors-appen, og jobbet med at overvåge billederne uddannes til Internettet. Overflødige billeder, hvor intet er ændret, ignoreres automatisk.

De mennesker, der foretager den indledende overvågning, kunne være personale i et callcenter eller en outsourcingtjeneste som Amazons Mechanical Turk, som blev brugt i CMU-undersøgelsen. Når skærmene beslutter, at spørgsmålet har et bekræftende svar, ændres snart en graf i appen; det kan også udsende advarsler til brugere.

Zensors bliver imidlertid interessante, når processen bliver automatisk. Efter en bestemt periode med menneskelig overvågning kan maskinlæringsalgoritmer i softwaren lære, når en bestemt betingelse er opfyldt. For eksempel kunne de lære at erkende, at et kæledyrs madskål er tom.

For at sikre algoritmenes nøjagtighed kontrolleres systemet med jævne mellemrum af arbejdstagere, hvilket kan tage en mere praktisk rolle, hvis det overvågede område har en uventet ændring.

Computervisionsværktøjer kan også føjes til databehandlingen, så systemet kan udføre opgaver såsom at tælle biler eller personer i et bestemt område.

I en demonstration blev en smartphone, der kører Zensors, placeret med billedsiden op på et bord. Et spørgsmål blev indtastet: "Er der en hånd?" Efter at have holdt en hånd over telefonens kamera ændrede appens graf sig, hvilket viste, at mekaniske tyrkiske arbejdere havde svaret langvejs fra. Forskerne beskyldte netværkets latenstid for, at svaret tog ca. 30 sekunder.

Med bedre lydhørhed kunne Zensors bruges i en række forretnings- og hjemmeapplikationer. En restaurantchef kunne bruge den til at lære, når kundernes briller skal genopfyldes, og sikkerhedsfirmaer kunne bruge det til automatisk overvågning.

”Vi er de første, så vidt jeg ved, til at blande mængden med træning af maskinlæring og faktisk gøre det,” sagde Gierad Laput, en ph.d.-studerende ved Carnegie Mellons Human-Computer Interaction Institute, der også viste frem nye smartphone-grænseflader hos CHI.

Omkostningerne ved menneskelig overvågning er 2 cent pr. Billede ifølge forskerne. Det koster omkring $ 15 værdier af menneskelige undersøgelser af data for at træne algoritmerne, så de kan overtage.

I modsætning hertil kunne det tage over en måned at koste en måned og koste tusinder af dollars at have en programmør til at skrive computervisionssoftware til en sensor, der svarer på et grundlæggende ja eller nej spørgsmål..

”Naturligt sprogbearbejdning, maskinindlæring og computervision er tre af de sværeste problemer inden for datalogi,” sagde Chris Harrison, adjunkt i human-computer-interaktion ved CMU. ”Mængden lader os dybest set omgå meget af det. Men vi lader bare mængden gøre bootstrapping-arbejde, og vi får stadig fordelene ved maskinlæring. ”

Forskerne planlægger at fortsætte med at forbedre Zensors-appen, nu i beta, og derefter frigive den til offentligheden.

Deltag i Network World-samfundene på Facebook og LinkedIn for at kommentere emner, der er øverste af sindet.