|
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。! ]: _/ ]) R& Y6 y! m; M
( k" Q1 j1 {7 ^' v
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。3 A. l. t& L9 J; F; m
7 ^6 t: ~, K, S5 q+ C
深度学习变革安防行业
m N$ `2 l7 x/ u3 M/ m
& L" d5 B. ]5 |4 H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。' d; P. H" H; H
0 E0 U l1 z u5 j0 T% I7 }- [! 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”。( T; r, s6 n( L& ?0 E3 U
# T& a' H3 t) @6 h5 W" }* a0 K/ M% \& {
成也是“标注数据” 败也是“标注数据”! [, Q8 E# X8 k' Z
0 u6 c$ a$ X% Q
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:& Z' T# k; |! |. h) L$ O
4 J8 A- r% p" I( O5 ?8 B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。
$ n8 v1 W+ ~, M / [$ g" A5 p7 c- M M. B
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。8 v8 K; t; t6 w8 _
% @& j- {3 F w& _8 n1 R% ~
如何补齐深度学习的短板?
. y' Y- L( K$ \+ a- j) k
+ k' z- _2 f7 d; J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。
# L! J$ N, a+ U& y; m & f. S& Y* x/ S/ j
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。
% q0 q2 P# c$ l5 P* A( w x. L
4 L% r) t- h, N8 T4 e4 H* D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。
' R$ ^, ~5 w9 o4 T7 P2 ~. ^- Q( _
* R% G; Q% h* g( v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。7 X! D" |: F+ v. Q' n
; M7 v% Y" {+ t( _, A) C: j* {2 @来源:http://mp.weixin.qq.com/s?src=11×tamp=1576661405&ver=2042&signature=4otSY4g5yNuYkrTqlGfq*w1LUU72E7A0USxppgG*wo2qXYNnO6gzwz4RADrFahSEhcA9in0hHFor-kxOMf6A*-t2IkIgq6v24C66E74feV57u5723CmJdtHJCrNpCGKL&new=1* X* p( v4 M; l K6 o1 I6 O1 i) a' E
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
×
|