在安防行業(yè)，涉及的數(shù)據(jù)信息類型越來越多。其中，99%以上的數(shù)據(jù)，包括監(jiān)控視頻錄像、報警錄像、車輛卡口圖片、人臉抓拍圖片等都是非結構化的，要想對這數(shù)據(jù)進行進一步分析，做到“數(shù)為人所用”，就需要將非結構化的數(shù)據(jù)結構化。和以往的傳統(tǒng)智能算法相比，深度學習可以像人類大腦一樣搜集信息，并將這些信息轉化為相應的行為，在解決視頻結構化問題方面更“智能”。

在今年北京安博會開幕的前一天，?？低暸e行了新品發(fā)布會，發(fā)布了基于深度學習技術的從前端到后端全系列智能安防產(chǎn)品，新品涵蓋“深眸”系列智能攝像機、“神捕”系列智能交通產(chǎn)品、“超腦”系列智能NVR、“臉譜”系列人臉分析服務器等。

　宇視科技

和以往的傳統(tǒng)智能算法相比，深度學習可以像人類大腦一樣搜集信息，并將這些信息轉化為相應的行為，在解決視頻結構化問題方面更“智能”。

在安博會現(xiàn)場，宇視基于Movidius+NVIDIA芯片全球戰(zhàn)略首發(fā)的深度學習人臉識別攝像機、深度學習智能交通抓拍機、深度學習USB智能棒、“昆侖”結構化智能分析服務器、智能存儲融合一體化設備等均有展示。

初看之下，深度學習似乎是一種萬能的方法，什么問題都能夠輕松解決，然而就深度學習的具體應用而言，目前依然存在三大主要難題：第一是大數(shù)據(jù)標定的問題，深度學習領域的一句流行語——“誰掌握著數(shù)據(jù)誰就掌握著市場”，就充分地說明了這一點;第二是計算量過大的問題，在具體應用中隨著數(shù)據(jù)和網(wǎng)路層次的增加，不僅訓練花費的時間在大幅增加，測試時間也在增加，在具體應用中很難實現(xiàn)前端化和實時化;第三是訓練收斂問題，以在圖像識別中應用最多的卷積神經(jīng)網(wǎng)絡(CNN)為例，目前已經(jīng)出現(xiàn)了幾百層的網(wǎng)絡結構，訓練過程中一般采用梯度下降的方法，這一過程中如果層數(shù)過多，數(shù)據(jù)初始化不合理就很容易不收斂。