|
|
目标识别、物体检测、智能分析……随着深度学习算法的进步,安防技术取得了突破性进展。深度学习被看做安防行业的革命性力量,大大加速了安防的发展过程。" g" q/ W$ {2 ?7 G7 z" J

k U" r" O. q& E在这样的情境下,全球人工智能计算机视觉领域奠基人之一、约翰霍普金斯大学教授艾伦·尤尔抛出“深度学习(Deep learning)在计算机视觉领域的瓶颈已至”的观点,引发业内许多专家共鸣与热议。7 o' B9 B C6 `* [( y
! T# V% M, y5 M; d+ ~; @& k
深度学习变革安防行业$ ]2 U1 _ Q# V! @! u3 N+ p& a! P
* F/ J0 @3 N7 i; a) O0 V目前,深度学习的研究领域主要集中在语音识别和计算机视觉方面,而计算机视觉作为人工智能落地过程中的“显学”,被各行各业所重视。对拥有海量视频图像资源的安防行业而言,深度学习能够对这些资源进行分析,实现利用。
2 Y3 F* R, U9 j- @4 Q& F6 t/ { 2 e3 W- L8 F$ F# \( a; j
例如:在人脸识别方面,深度学习大幅提升了复杂任务分类的准确率,可以实现人脸检测、身份对比、活体检测等功能;在智能视频分析方面,可以做到人、非机动车和机动车的视频结构化研究。基于此,安防行业一跃成为当红“炸子鸡”。. A4 K6 [7 ~6 T1 k# e. T
2 H6 ?) t, L8 o3 t) _成也是“标注数据” 败也是“标注数据”
$ S# }- ?) M& H# D- [% R
2 z) o$ {" N \7 H; N% b然而,深度学习却有很多局限性。众所周知,深度学习需要基于大量的标注数据,这些数据需要由人类进行标注,而人类的弱点则导致了深度学习的许多缺陷:+ [6 Y; Q! ~- V9 u! z) K$ |: r
5 A! } e) h1 M; ]大量的数据需求使得研究人员的焦点过度集中于容易的任务,回避重要且困难的任务,因此,在基准数据集上,深度学习表现良好,但脱离数据集,进入真实世界后,就有出现重大失误的风险,尤其是数据集中不常出现的情形,例如,在动物园监控场景下,“相机出现在猴子手里”等情况。
: Z: s$ Q1 s1 J' C, J$ }+ e# k: G
% ~ {1 P2 c4 S2 l& M5 k此外,从组合学观点来看,真实世界图像的信息量无疑远远大于人工标注的图片信息,这使得深度学习对图像中的变化非常敏感,导致系统判断出错,这对训练和应用都提出了巨大的挑战。4 Y' Q* N: ^1 u, J4 X
4 z1 N- f9 J; U* q Z
如何补齐深度学习的短板?( L, O/ s0 o' u* z/ m- @4 v
! A' j, C+ r+ m深度学习的短板要如何补齐?既然深度学习的关键在于大量人工标注的数据,那么,解决数据带来的问题,或许可以继续从数据方面着手。/ [: m, h0 {, l$ U! |
. Y# z K# }4 {. C0 x( j5 D一种解决方案是简单地扩大训练数据的范围,即通过更多的训练数据使网络自动吸取经验、已更快地学习新任务。这听起来更像是人类的学习方法。6 M8 P/ _' [4 x
2 H3 C0 T) N4 |5 ?( q, k; z
不过,人工智能是对人类智能的模仿,而深度学习只是众多AI技术中的一种。人类本身并非主要依赖深度学习,并且可以收集多维度的数据,借助“触类旁通”的能力来进行认知,因此,在安防行业,深度学习需要与知识图谱、机器记忆、语义识别等不同维度的手段相结合,弥补自身短板。3 ]( e$ T& c5 I ^& S! o
4 A# q1 D: D$ L' f3 G$ ~
结语:总而言之,在未来一段时间内,深度学习仍将对智慧安防行业的发展起着积极的推动作用,与此同时,业内人士也已经明晰了深度学习本身存在的局限,并对此进行探索,以弥补其不足。
: g& q% o5 m+ m# O% I0 e. i$ T' Y) @# J+ C9 W, P
来源:http://mp.weixin.qq.com/s?src=11×tamp=1576661405&ver=2042&signature=4otSY4g5yNuYkrTqlGfq*w1LUU72E7A0USxppgG*wo2qXYNnO6gzwz4RADrFahSEhcA9in0hHFor-kxOMf6A*-t2IkIgq6v24C66E74feV57u5723CmJdtHJCrNpCGKL&new=1
, w# \4 i1 Z: C9 \免责声明:如果侵犯了您的权益,请联系站长,我们会及时删除侵权内容,谢谢合作! |
本帖子中包含更多资源
您需要 登录 才可以下载或查看,没有账号?立即注册
×
|