深度学习变革安防 “标注数据”是功臣亦是短板

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。
 
　　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。
 
　　深度学习变革安防行业
 
　　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。
 
　　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”。
 
　　成也是“标注数据” 败也是“标注数据”
 
　　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：
 
　　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。
 
　　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。
 
　　如何补齐深度学习的短板？
 
　　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。
 
　　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。
 
　　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。
 
　　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。