右侧漂浮栏
详细页头部广告

深度学习触发AI革命!安防布局未来如何发展?

原创
作者:帮尼菌
 |   来源:中安信联安防帮   |
2020-10-13 09:18:00

过去的两三年,深度学习正在不断发展和进步,深度学习在处理语音、文本、图像和视频方面给很多行业带来了了不起的能力。


当下正处于商业爆炸的最早阶段,而且由于GPU的存在,比以往任何时候都更高效。但是,已知的缺陷清单根本没有解决:


▪需要太多标签化的训练数据。

▪模型的训练时间太长或者需要太多昂贵的资源,而且还可能根本无法训练。

▪超参数,尤其是围绕节点和层的超参数,仍然是神秘的。自动化甚至是公认的经验法则仍然遥不可及。

▪迁移学习,意味着只能从复杂到简单,而不是从一个逻辑系统到另一个逻辑系统。


深度学习所存在的缺陷还可以列一个更长的清单。为了解决这些主要的缺点方面,一些研发企业陷入了困境。


深度学习之后会是什么?这里先要追溯深度学习的概念。




深度学习的发展和应用


人工智能 是一个涉及哲学、数学、心理学、计算机科学、信息论、控制论等多个领域的综合学科。深度学习只是其中一个分支。


从1936年图灵发表题为《论数字计算在决断难题中的应用》的论文中提出著名的“图灵机”设想,到1956年达特茅斯会议正式确定使用“人工智能”这一术语,经过20年的酝酿,“人工智能”才正式向世人揭开面纱。时至今日,“人工智能”几经沉浮,现在我们仍然在路上。


如何理解人工智能、机器学习和深度学习三者的关系?一张图看明白:


概念


深度学习(人工神经网络的研究的概念),英文:Deep Learning,简称:DL。

以下内容来自百科:


深度学习的概念源于人工神经网络的研究。含多隐层的多层感知器就是一种深度学习结构。深度学习通过组合低层特征形成更加抽象的高层表示属性类别或特征,以发现数据的分布式特征表示。


深度学习的概念由Hinton等人于2006年提出。基于深度置信网络(DBN)提出非监督贪心逐层训练算法,为解决深层结构相关的优化难题带来希望,随后提出多层自动编码器深层结构。此外Lecun等人提出的卷积神经网络是第一个真正多层结构学习算法,它利用空间相对关系减少参数数目以提高训练性能。 


深度学习是机器学习中一种基于对数据进行表征学习的方法。观测值(例如一幅图像)可以使用多种方式来表示,如每个像素强度值的向量,或者更抽象地表示成一系列边、特定形状的区域等。而使用某些特定的表示方法更容易从实例中学习任务(例如,人脸识别或面部表情识别)。深度学习的好处是用非监督式或半监督式的特征学习和分层特征提取高效算法来替代手工获取特征。深度学习是机器学习研究中的一个新的领域,其动机在于建立、模拟人脑进行分析学习的神经网络,它模仿人脑的机制来解释数据,例如图像,声音和文本。 


释意


机器学习和深度学习的具体区别和联系是啥?



机器学习


简单的说机器学习就是让机器去分析数据找规律,并通过找到的规律对新的数据进行处理。因为学习算法中涉及了大量的统计学理论,机器学习与推断统计学联系尤为密切,也被称为统计学习理论。


深度学习


深度学习简单点说就是一种为了让层数较多的多层神经网络可以训练,能够运行起来而演化出来的一系列的新的结构和新的方法。


就像下图



普通的神经网络可能只有几层,深度学习可以达到十几层。深度学习中的深度二字也代表了神经网络的层数。现在流行的深度学习网络结构有"CNN(卷积神经网络)、RNN(循环神经网络)、DNN(深度神经网络)的等。现在流行的深度学习框架有MXnet,tensorflow,caffe等,而在这些框架之上(或许不太准确),还有PyTorch,Keras等。


应用场景


深度学习目前的行业应用、一些标志性公司、代表性的技术等。


语音识别技术:国内公司讯飞、百度、阿里,国外公司亚马逊,微软等,行业应用就是智能音箱等产品。


图像识别技术:比如安防 龙头海康威视,图森科技,依图科技,旷视科技,代表性的就是面部识别,人脸识别,刷脸解锁、支付等。


自动驾驶技术:比如特斯拉,uber,百度等公司开发的。


金融领域如:预测股价、医疗领域的疾病监测,教育领域的技术赋能等。


深度学习在安防中的应用


事实上,在人工智能应用诸多领域中,安防以其得天独厚的先天优势,成为AI较为理想的落地领域。而人工智能在图像分类、物体检测、图像语义分析、人脸识别、光学字符识别等计算机视觉领域表现更为突出,尤其是涉及到视频图像的结构化处理、分析方面,深度学习可以实现超人类模式识别准确性,还具备抵抗干扰性,能分类和识别数千个不同特征。



作为人工智能引擎的“深度学习”,通过组合低层特征形成更加抽象的高层表示属性类别或特征,以发现数据的分布式特征表示。而最新的深度学习已经让人脸识别、车牌识别系统准确率都已经接近100%,这些特性使得深度学习对视频分析应用具有很高的价值和意义。


深度学习的在安防行业的方方面面得到了应用:人脸检测、车辆检测、非机动车检测、人脸识别、车辆品牌识别、行人检索、车辆检测、人体属性、异常人脸检测、人群行为分析、各种感兴趣目标的跟踪……



在深度学习的加持下,近年来基于计算机视觉技术的安防AI已然迎来了它的快速发展期。利用深度学习技术已实现从安防监控传统的事后复核转变为事中、甚至于事前的预警布控。这也意味着“安防+AI”已经从概念普及、技术比拼,进入到产品、场景、实战应用和生态构建阶段。


以视频技术为核心的安防行业,深度学习对视频图像解析的突出作用使得安防监控系统突破原有的限制,同时为大数据分析研判提供了重要技术支撑。除了人脸、人像等面部识别的爆发式增长,另外。在基于面部特征识别技术的情绪识别领域,以及基于人体形态的步态识别等也在深度学习技术的基础上呈现快速发展。


深度学习算法促使识别准确率大幅提高,直接建立了从数据到目标模型的映射,极短的时间内就可以提高场景应用的效率和适配性。未来安防解决方案并不是初级的解决用户需求,更多的是通过深度学习算法挖掘大数据,为民众提供更可靠的安全性和便捷性。



深度学习算法将会逐渐被用于处理更多的任务,也会解决更多的问题。例如,5年前,算法的面部识别精度比人类的表现要糟糕;但是,五年后的今天,人脸识别数据集(LFW)和标准图像分类数据集(Imagenet)中算法的面部识别表现已经超越人类的。在接下来的五年中,越来越难的问题将会被深度学习算法成功解决,例如视频识别、医学影像或文字处理等。我们也非常期待深度学习算法可应用于商业产品中,就像过去10年中人脸识别器被整合到消费级相机中那样。

发表评论
评论通过审核后显示。
详情页广告1
热门排行
3月14日下午,华为-安防帮 2019安防行业合作伙伴大会在北京千禧大酒店隆重召开。600多位行业专家、客户与合作伙伴齐聚一堂。 会上华为面向华北区域的客户和合作伙伴介绍了其新一代“视频云+软件定义摄像机”——星系列软件定义智能摄像机和其渠道招募及分销政策。 本次大会以“轻云直上 视界大开”为主题,寓意以云和智能为核心,通过AI技术有效提升前端摄像机智能应用水平,通过全云化技术架构提供视频云...
2018年,对于弱电人来说,是艰难的一年。 身处经济下行,弱电行业增速减缓,以及多种因素交织的背景下,弱电人可谓如履薄冰,艰难前行。安防帮见证了一些中小工程商的转型,他们探索新的路线,拓展新业务。也目睹了部分中小工程商订单不减反增,利润节节攀升。如人饮水,冷暖自知! 2018年,对于华为来说,是其在安防行业厚积薄发的元年。 去年8月,华为真正打响了冲往智能安防市场的第一枪,华为在广州发布会现场一...
10月22日,由中安信联科技有限公司主办的“合作运营·协力转型 安防帮2018会员年庆”活动在北京会议中心正式开幕。 中国安全防范产品行业协会副理事长靳秀凤,中安安防产业促进会执行会长杜强,北京安全防范行业协会原副秘书长韩锦坤,北京联合大学智慧城市学院院长院长刘在云,人民公安大学教授陈志华,北京联合大学智慧城市学院李晓峰,机械科学研究院研究员王小平,公安部检测中心中心副主任、三级警监、副研究员郑...