|
|
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。4 x4 x8 v; N" [% ?4 G/ M' |; M+ F
9 T* d# b3 L; D" q! d
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。
, W' a* i! u; \9 G
: L7 ~8 d0 d+ d! P( J# i: Z0 {) b深度学习变革安防行业 ?# y) b; L" d, Q
: @- F! B8 {* X6 i: @8 _( Q
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。
( s( _- A$ w! x5 n0 T% V3 b - m) H& D# k" S; [
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”。
* y) P( p8 n* @ w. A U- `
' N4 [9 S6 y) _5 k/ Q成也是“标注数据” 败也是“标注数据”
9 A9 c2 o9 W p, `% F5 C4 D0 a, Z) C/ r7 {
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:, c* M; N1 v+ _2 e" @
8 D) t( M1 x: Z6 ?
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。& c* {8 y6 i- i) z% D
4 K9 e, Q9 G, K/ l0 N$ v0 `- W' w$ t! t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。5 s1 W# j/ Y" U3 b
9 y/ r# \4 t" c
如何补齐深度学习的短板?* d- C# D+ e2 Z/ {4 L
3 `! o- [4 s8 S$ |6 G5 c( Z
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。8 N7 J- e1 @, C
$ F0 i/ {3 ~. x# Q$ G( k
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。
: d$ _) o+ Q2 q 9 N; T4 ?! p6 C0 U/ y- }- {6 ~- b5 w
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。
4 Q4 M& u a: r1 L( } 4 S) r2 v# D( D9 ?; e4 A D* b. q
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。
2 B) J* Q# ~7 ^! B: j5 X9 y+ n
' S" Z: J, J2 b; f$ B来源:http://mp.weixin.qq.com/s?src=11×tamp=1576661405&ver=2042&signature=4otSY4g5yNuYkrTqlGfq*w1LUU72E7A0USxppgG*wo2qXYNnO6gzwz4RADrFahSEhcA9in0hHFor-kxOMf6A*-t2IkIgq6v24C66E74feV57u5723CmJdtHJCrNpCGKL&new=1
7 i+ ] U V* P) c+ W! n9 Y a& p0 K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
×
|