Van pixels naar controle
Ieder kader toont een afzonderlijke modelwaarneming met een eigen klasse. Persoon, auto, bestelbus, fiets, bus, trein en vrachtwagen krijgen zichtbaar een eigen label. Alleen waarnemingen die de publicatiedrempel én de visuele controle passeren tellen mee.
Moeilijkste scène · volledig inspecteerbaar
Filter de scène per klasse. Elk gepubliceerd kader komt uit de bewaarde modelrun, passeert scoregrens 0,25 en is daarna visueel gecontroleerd. De ruwe uitvoer en afwijzingen blijven in het auditbestand staan.
Sleep horizontaal over het beeld om ieder kader en label te bekijken.
Werkelijke detecties ladenDit is de gecontroleerde publicatielaag: 26 personen en 15 voertuigen. De witte airportshuttle telt één keer als bestelbus; een overlappend buskader en alle scores onder 0,25 zijn afgewezen.
Deze kaders blijven traceerbaar, maar tellen niet mee in de publieke uitkomst.
Gecontroleerde verdeling over tien scènes
Dit zijn de 95 gepubliceerde waarnemingen. Dertig lage, overlappende of inhoudelijk onjuiste kandidaten blijven zichtbaar in het auditbestand, maar tellen niet mee.
Ondersteunde individuele kaders.
Rijdend en geparkeerd.
Alleen overtuigende fietskaders.
Specialistisch herzien; niet als truck dubbel geteld.
Alleen de drie duidelijke laadvoertuigen.
Airportshuttle en dubbel kader uitgesloten.
Eén zichtbaar spoorvoertuig; twee foutkaders afgewezen.
De volledige proofset
Iedere kaart gebruikt de gecontroleerde laag uit hetzelfde auditbestand. De ruwe modeluitvoer blijft daarnaast behouden; een afwijzing wordt nooit gewist.
Bronstatus: deze tien openbare demonstratiebeelden zijn AI-gegenereerd. De kaders bewijzen een reproduceerbare, handmatig herzienbare showcase op deze vaste beelden; ze zijn geen algemene nauwkeurigheidsclaim of juridisch bewijs.
Klassecontrole
Drie vaste scènes doorlopen hetzelfde protocol. Modelscores blijven modeluitkomsten; de gecontroleerde eindklasse staat apart.
Validaties worden geladen.
Afgebakende regressiecontrole op vaste bronbeelden
Specialistische laag · echte modelrun
Grounding DINO Tiny kreeg per scène alleen tekstprompts. De tien vooraf vastgelegde doelvragen werden in deze handmatig gecontroleerde labset gelokaliseerd. Dat toont de specialistische route op deze beelden; het is geen algemene nauwkeurigheidsscore.
Leeswijze: dit zijn de hoogste lokalisatiescores van de vaste, menselijk gecontroleerde run. Het zijn geen nauwkeurigheidspercentages op onbekende camerabeelden.
Afzonderlijk van de omringende voetgangers gelokaliseerd.
Niet als gewone persoon of auto gepresenteerd.
Twee verschillende mobiliteitsklassen in één scène.
Beide objecttypen in hetzelfde volledige beeld gelokaliseerd.
Object en inzittende krijgen afzonderlijke kaders.
Dezelfde specialistische term werkt in een andere omgeving.
Wat draait er echt?
De live browserlaag en de specialistische onderzoekslijn hebben ieder een afgebakende verantwoordelijkheid.
WebGPU eerst, WASM als terugval. Analyse blijft op het apparaat.
Persoon, fiets, auto, motor, bus, trein en vrachtwagen.
Bij drukte volgen detailtegels van 576 px met 30% overlap.
Dubbele kaders uit volbeeld en detailtegels worden onderdrukt.
Licht, contrast, randenergie, scores en bronhash blijven exporteerbaar.
Snelle vaste klassen, tellen, kwaliteitsmeting en auditexport.
Tekstgestuurde lokalisatie van nieuwe mobiliteits- en contextobjecten.
Eigen gelabelde klassen, daarna ByteTrack of BoT-SORT voor route en verblijfsduur.
Waarom dit onderscheidend is
Het basismodel zegt snel wat het kent. Het specialistische model stelt een rijkere naam voor. De evidence gate bewaart bron, drempel en onzekerheid en laat een mens het operationele besluit nemen.
Test een eigen camerabeeld →Primaire bronnen en open techniek
De techniek en de bewijsgrenzen zijn herleidbaar naar primaire documentatie en onderzoek.
Zelf controleren
Controleer elk frame
De livepagina analyseert lokaal, tekent afzonderlijke objecten en maakt een controleerbaar auditrecord. Geen generieke demo-knop, maar de werkende browserproof.
Open het live lab →