【安防展覽網(wǎng) 焦點新聞】目標(biāo)識別、物體檢測、智能分析……隨著深度學(xué)習(xí)算法的進步，安防技術(shù)取得了突破性進展。深度學(xué)習(xí)被看做安防行業(yè)的革命性力量，大大加速了安防的發(fā)展過程。

在這樣的情境下，全球人工智能計算機視覺領(lǐng)域奠基人之一、約翰霍普金斯大學(xué)教授艾倫·尤爾拋出“深度學(xué)習(xí)(Deep learning)在計算機視覺領(lǐng)域的瓶頸已至”的觀點，引發(fā)業(yè)內(nèi)許多專家共鳴與熱議。

深度學(xué)習(xí)變革安防行業(yè)

目前，深度學(xué)習(xí)的研究領(lǐng)域主要集中在語音識別和計算機視覺方面，而計算機視覺作為人工智能落地過程中的“顯學(xué)”，被各行各業(yè)所重視。對擁有海量視頻圖像資源的安防行業(yè)而言，深度學(xué)習(xí)能夠?qū)�這些資源進行分析，實現(xiàn)利用。

例如：在人臉識別方面，深度學(xué)習(xí)大幅提升了復(fù)雜任務(wù)分類的準(zhǔn)確率，可以實現(xiàn)人臉檢測、身份對比、活體檢測等功能；在智能視頻分析方面，可以做到人、非機動車和機動車的視頻結(jié)構(gòu)化研究�；�于此，安防行業(yè)一躍成為當(dāng)紅“炸子雞”。

成也是“標(biāo)注數(shù)據(jù)” 敗也是“標(biāo)注數(shù)據(jù)”

然而，深度學(xué)習(xí)卻有很多局限性。眾所周知，深度學(xué)習(xí)需要基于大量的標(biāo)注數(shù)據(jù)，這些數(shù)據(jù)需要由人類進行標(biāo)注，而人類的弱點則導(dǎo)致了深度學(xué)習(xí)的許多缺陷：

大量的數(shù)據(jù)需求使得研究人員的焦點過度集中于容易的任務(wù)，回避重要且困難的任務(wù)，因此，在基準(zhǔn)數(shù)據(jù)集上，深度學(xué)習(xí)表現(xiàn)良好，但脫離數(shù)據(jù)集，進入真實世界后，就有出現(xiàn)重大失誤的風(fēng)險，尤其是數(shù)據(jù)集中不常出現(xiàn)的情形，例如，在動物園監(jiān)控場景下，“相機出現(xiàn)在猴子手里”等情況。

此外，從組合學(xué)觀點來看，真實世界圖像的信息量無疑遠遠大于人工標(biāo)注的圖片信息，這使得深度學(xué)習(xí)對圖像中的變化非常敏感，導(dǎo)致系統(tǒng)判斷出錯，這對訓(xùn)練和應(yīng)用都提出了巨大的挑戰(zhàn)。

如何補齊深度學(xué)習(xí)的短板？

深度學(xué)習(xí)的短板要如何補齊？既然深度學(xué)習(xí)的關(guān)鍵在于大量人工標(biāo)注的數(shù)據(jù)，那么，解決數(shù)據(jù)帶來的問題，或許可以繼續(xù)從數(shù)據(jù)方面著手。

一種解決方案是簡單地擴大訓(xùn)練數(shù)據(jù)的范圍，即通過更多的訓(xùn)練數(shù)據(jù)使網(wǎng)絡(luò)自動吸取經(jīng)驗、已更快地學(xué)習(xí)新任務(wù)。這聽起來更像是人類的學(xué)習(xí)方法。

不過，人工智能是對人類智能的模仿，而深度學(xué)習(xí)只是眾多AI技術(shù)中的一種。人類本身并非主要依賴深度學(xué)習(xí)，并且可以收集多維度的數(shù)據(jù)，借助“觸類旁通”的能力來進行認知，因此，在安防行業(yè)，深度學(xué)習(xí)需要與知識圖譜、機器記憶、語義識別等不同維度的手段相結(jié)合，彌補自身短板。

結(jié)語：總而言之，在未來一段時間內(nèi)，深度學(xué)習(xí)仍將對智慧安防行業(yè)的發(fā)展起著積極的推動作用，與此同時，業(yè)內(nèi)人士也已經(jīng)明晰了深度學(xué)習(xí)本身存在的局限，并對此進行探索，以彌補其不足。