侵权投诉
订阅
纠错
加入自媒体

深度学习变革安防 “标注数据”是功臣亦是短板

安防展览网 焦点新闻】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。


声明: 本文由入驻维科号的作者撰写,观点仅代表作者本人,不代表OFweek立场。如有侵权或其他问题,请联系举报。

发表评论

0条评论,0人参与

请输入评论内容...

请输入评论/评论长度6~500个字

您提交的评论过于频繁,请输入验证码继续

暂无评论

暂无评论

安防 猎头职位 更多
文章纠错
x
*文字标题:
*纠错内容:
联系邮箱:
*验 证 码:

粤公网安备 44030502002758号