深度学习技术的发展使人工智能产业的冰山正在迅速融化成一股势不可挡的洪流，冲击着安防行业的产业变革。安防行业众多一线厂商携手世界顶级人工智能芯片厂商发力智能硬件产品升级，并将CV领域的最尖端的图形处理器应用于新型硬件产品的研发。

深度学习为何成为颠覆安防行业的力量？

近日，市场研究&咨询公司GrandViewResearch发布了一份深度学习市场分析报告。报告表明，2016年全球深度学习市场估值为2.72亿美元，其在自动驾驶和医疗行业的应用越来越多，有望为行业增长做出突出贡献。这项技术的崛起得益于数据驱动的复杂应用，包括语音和图像识别，它可以和其他技术一起克服大数据量和高计算能力的挑战以及改进数据存储。同时在刚举行的“2017CCF青年精英大会”上，香港中文大学教授汤晓鸥作了《人工智能的明天，中国去哪?》的主题演讲。其中，针对人工智能和深度学习的应用、发展，汤教授发表了自己的看法。

到底什么是深度学习技术?落地到安防领域，深度学习如何应用呢?首先来听听汤教授如何理解深度学习。

什么是深度学习?

首先，人工智能和深度学习是什么关系?汤教授认为，人工智能真正落地的部分就是深度学习。因为以前的人工智能确实是在很多情况下用不起来，人手设计的智能来做某一件事情还是比较难超越人。而有了深度学习之后，可以把这个过程变成一个数据驱动的过程：当做某一件特定事情时，数据量及参数量大到一定程度之后，机器就可能在做这件事情上超过人类。很多现实中落地的产品化的东西，都是深度学习做出来的。深度学习做的东西，成功的案例比较多，一方面是在语音识别领域，另外可能更多的是视觉这方面，所以大家可以看到很多计算机视觉方面新的成果。

深度学习到底在做什么事情?实际上它所做的事情抽象出来是比较简单的，就是在做一个从X到Y的回归、或者说从A到B的Mapping(对应)--你给它一个输入，它怎么样给出一个对应的输出?特殊的地方就是深度学习把这件事情做得非常非常好。以前也有其他算法可以做，只不过一直做不过人，现在深度学习做到了极致。

比如说给了一张人脸照片，它就可以给你对应出这个人的名字；给一个物体的形状，它就可以告诉你是什么物体；给一个车的行驶场景，它就可以给你输出这个车应该往哪儿拐；给一个棋局，它能算出下一步怎么走；给一个医疗的图像，它就能帮你判断这是什么病……实际上就是这样的一个过程。不要把人工智能想象成可以超越人类，可以控制人类，这些都是所谓的“好莱坞的人工智能”或者想象中的人工智能，真正人工智能在现在这个阶段其实就是做这么简单的事，当然，做成这个简单的事情其实已经很不简单了。

深度学习的突破?

最近这几年深度学习确实在学术界、工业界取得了重大的突破。第一个突破是在语音识别上，语音识别取得了巨大成功以后，深度学习紧接着在视觉方面又取得了重大突破。接着人工智能在自动驾驶领域也取得了一些重大的突破，现在比较热门的是医疗影像方面，借助人工智能进行诊断。

深度学习有三个核心的要素：学习算法的设计，你设计的大脑到底够不够聪明；要有高性能的计算能力，训练一个大的网络；必须要有大数据。

“深度学习+安防”的应用

目前深度学习主要的研究领域在语音识别和视觉方面，而且将深度学习应用到各个方向，可以不同的领域做出不同的技术创新。对于掌握了许多视频图像资源的安防行业来说，深度学习和安防的结合拥有比较高的契合度，即对图像和视频的分析，包括：

――在图像分析方面，比如人们熟悉的人脸识别、文字识别和大规模图像分类等，深度学习大幅提升了复杂任务分类的准确率，使得图像识别、语音识别，以及语义理解准确率大幅提升。

――在人脸方面，可以实现人脸检测、人脸关键点定位、身份证对比、聚类以及人脸属性、活体检测等等。在智能监控方面，可以做人、机动车、非机动车视频结构化研究。

――在文字方面，小票的识别、信用卡的识别、车牌的识别，这些都是由深度学习的算法来做的。同时在图像的处理方面，在去雾、超分辨率、去抖动、去模糊，HDR、各种智能滤镜的设计都是用深度学习的算法。

有人说，深度学习技术可谓安防行业的“颠覆性力量”，极大地推动了智能安防的发展。较之以往的传统智能算法，深度学习在解决视频结构化和人脸识别等方面更“智能”。比如视频结构化，把视频里面的人、机动车、非机动车及其特性都检测出来了，并且自动标注出来了，这样整个视频就变成了文档，可以进行文档性的搜索；人脸的布控系统，目前已在很多城市实时布控了，还有百米之外抓人，百米之外看到一个目标拉近然后进行人脸识别。

随着深度学习算法的突破，目标识别、物体检测、场景分割、人物和车辆属性分析等智能分析技术，都取得了突破性进展。

现阶段，不仅安防行业，越来越多的产业和企业在深度学习领域进行探索。当然我们也期待在深度学习甚至是人工智能的影响和各个安防生厂商的创新下，更多的智能安防产品能迅速落地应用，提高城市安防系统的工作效率!

本文转自d1net（转载）