為什么人工智能在安防行業(yè)落地

□ 文/孟祥廣

為什么人工智能在安防行業(yè)落地

□ 文/孟祥廣

說到人工智能，很多都覺得是一個很抽象的概念，隨著近兩年圖像識別、語音識別、人臉識別、無人駕駛與機(jī)器人等人工智能技術(shù)進(jìn)入人們的視野和生活，人們對人工智能的認(rèn)知度也大大提高，尤其是在過去的2016年，AlphaGo大戰(zhàn)人類圍棋冠軍李世石，并且以 極 大 優(yōu) 勢 贏 得 比 賽 ，人 工 智 能 已 經(jīng) 成 為 最為 火 熱 的 話 題 ，產(chǎn) 品 和 技 術(shù) 影 響 諸 多 行 業(yè) ，其進(jìn)入安防行業(yè)也是必然趨勢，近兩年安防企業(yè)都一致引入了人工智能概念并推出了極具科技感的安防智能產(chǎn)品，為什么人工智能會成為安防行業(yè)熱點(diǎn)并率先落地，行業(yè)發(fā)展又呈現(xiàn)怎樣的態(tài)勢。

人工智能的發(fā)展史

人工智能（Artificial Intelligence，縮寫AI）始于20世紀(jì)50年代中期，之后數(shù)十年發(fā)展 起 起 伏 伏 。在 8 0 年 代 末 隨 著 深 度 學(xué) 習(xí)（ 人工神經(jīng)網(wǎng)絡(luò)）研究的興起，人工智能進(jìn)入一個新的階段。深度學(xué)習(xí)在歷史上經(jīng)歷了兩次低谷和三次高潮，如今正式處在第三次高潮當(dāng)中，那么深度學(xué)習(xí)算法為何經(jīng)歷了如此大的波動呢；我們能夠從其中得到什么樣的啟示？

首 先 還 是 來 回 顧 一下 深 度 學(xué) 習(xí)的 發(fā) 展史。其最早可以追溯到1957年，Rosenblatt提出 最 簡 單 的 單 層 感 知 機(jī) 算 法 。這 一 事 件 可 以被認(rèn)為是神經(jīng)元網(wǎng)絡(luò)類算法第一次大發(fā)展的開端，但是很快在1969年，Minsky和Papert在其 出 版 的 《 感 知 器 ：計(jì) 算 幾 何 簡 介 》 中 提 到 單層神經(jīng)元網(wǎng)絡(luò)無法解決XNOR這樣的簡單問題，其算法存在重大的理論缺陷；同時(shí)還表示，兩層以上的多層神經(jīng)元網(wǎng)絡(luò)理論上可以克服這些缺陷，擬合任何非線性問題，但當(dāng)時(shí)情況下沒有任何一種方法可以對多層感知機(jī)進(jìn)行有效的訓(xùn)練，深度學(xué)習(xí)第一次陷入低谷。

直到198 6 年，Ru mel ha r和H inton等人 提出了基于反向傳播（Back Propagation，簡稱BP）算法的訓(xùn)練方法，使得兩層神經(jīng)元網(wǎng)絡(luò)在理論上可以進(jìn)行有效的訓(xùn)練和優(yōu)化。神經(jīng) 元網(wǎng)絡(luò)算法 也因此 進(jìn) 入了第二次快 速發(fā)展期。這一時(shí)期最有名的突破便是1998年 ，L e c u n 教 授 第 一 次 使 用 卷 積 神 經(jīng) 元 網(wǎng) 絡(luò)（convolutional neural network，簡稱CNN）在郵政 手 寫 字 符 識 別 上 取 得 了 9 9 . 2 % 的 高 分 ，奠 定 了卷積神經(jīng)元網(wǎng)絡(luò)在圖像處理領(lǐng)域的地位。但是當(dāng) 時(shí) 的 神 經(jīng) 元 網(wǎng) 絡(luò) 算 法 也 存 在 眾 多 不 足 ，最 重要的就是當(dāng)時(shí)沒有適合于大規(guī)模并行計(jì)算的硬件，神經(jīng)元網(wǎng)絡(luò)的訓(xùn)練速度非常慢，并且其結(jié)構(gòu)的設(shè)計(jì)和優(yōu)化也需要大量的試錯，缺乏經(jīng)驗(yàn)性的指導(dǎo)，導(dǎo)致在中小數(shù)據(jù)集上的應(yīng)用遠(yuǎn)沒有同時(shí) 期 的 S V M 算 法 靈 活 和 方 便 ，因 此 ，神 經(jīng) 元 網(wǎng)絡(luò)算法逐漸進(jìn) 入了第二次低谷期。

在第二次低谷期期間，雖然外界對于神經(jīng)元網(wǎng)絡(luò)算法普遍報(bào)以不信任的態(tài)度，但是在Hinton等人的努力下，理論上逐步解決了前期神經(jīng)元網(wǎng)絡(luò)的諸多問題，提出了針對硬件能力不足和算法難以優(yōu)化的“預(yù)訓(xùn)練-微調(diào)”方法，針對梯度消失問題的Relu激活層等。同時(shí)期GPU的 大 力 發(fā) 展 也 巧 合 的 解 決 了 并 行 計(jì) 算 問 題 ，原本用于圖形渲染的GPU架構(gòu)成為了之后深度學(xué)習(xí)的利器。直到2010年前后，ImageNet數(shù)據(jù)集 問 世 ，解 決 了 神 經(jīng) 元 網(wǎng) 絡(luò) 證 明 自 己 的 最 后 一個門檻----數(shù)據(jù)量。眾所周知，在中小數(shù)據(jù)集上，以SVM為代表的淺層網(wǎng)絡(luò)算法已經(jīng)取得了相當(dāng)好的效果,以至于學(xué)術(shù)界和工業(yè)界都認(rèn)為其在大數(shù)據(jù)集上也會有不錯的表現(xiàn)。然而事實(shí)卻說明傳統(tǒng)的淺層網(wǎng)絡(luò)算法在ImageNet數(shù)據(jù)集上表現(xiàn)差強(qiáng)人意，直到2011年，其年度最佳算法的錯誤率仍然高達(dá)25%。此時(shí)時(shí)間轉(zhuǎn)向2012年，在又經(jīng)歷了近10年二次低谷和潛心修煉后，神經(jīng)元網(wǎng)絡(luò)算法迎來了爆發(fā)。2012年，Alexnet網(wǎng)絡(luò)在ImageNet數(shù)據(jù)集上取得了16.4%錯誤率的成績，以10個百分點(diǎn)的優(yōu)勢奪冠，而后每 年 都 是 基 于 神 經(jīng) 元 網(wǎng) 絡(luò) 的 方 法 取 得 冠 軍 ，并年年刷新紀(jì)錄。而此時(shí)的網(wǎng)絡(luò)深度已經(jīng)從lenet時(shí)期的5-8層上升為了100甚至1000層，成為了名 副 其 實(shí) 的 “ 深 度 學(xué) 習(xí) ”。 到 今 天 ，基 于 C N N 、RNN等結(jié)構(gòu)的深度學(xué)習(xí)網(wǎng)絡(luò)已經(jīng)在圖像分類-檢測-分割、人臉識別、語音識別等方面大放異彩。

從人工智能的發(fā)展歷程來看，歷經(jīng)兩起兩落，第三次浪潮還在持續(xù)中，其原因主要有：1、深層模型的表達(dá)能力（算法）的突破；2、大規(guī)模的訓(xùn)練數(shù)據(jù)（數(shù)據(jù)）的產(chǎn)生；3、高性能并行計(jì)算（硬件）出現(xiàn)。使得譬如微軟、蘋果等產(chǎn)業(yè)巨頭紛紛加入，并把人工智能作為核心來進(jìn)行發(fā)展，加大投入力度，從而才能使得基于人工智能的產(chǎn)品和應(yīng)用可以大規(guī)模的實(shí)現(xiàn)。

人工智能的出口

雖然人工智能第三次浪潮使得算法大規(guī)模產(chǎn)品化應(yīng)用成為可能，但是不可否認(rèn)的是，現(xiàn)階段在人 工智能方面仍然存在挑戰(zhàn)：

數(shù)據(jù)資源：海量的、多樣的、有標(biāo)簽的數(shù)據(jù)集中在少數(shù)單位中，導(dǎo)致深度學(xué)習(xí)技術(shù)研究無法廣泛開展

基礎(chǔ)理論：大規(guī)模密集型計(jì)算和海量數(shù)據(jù)訓(xùn)練、深度神經(jīng)網(wǎng)絡(luò)模型優(yōu)化等具有挑戰(zhàn)

核心硬件：面向深度學(xué)習(xí)的架構(gòu)與芯片的研制處于起步階段

實(shí)際應(yīng)用：針對不同應(yīng)用場景，存在深度學(xué)習(xí)網(wǎng)絡(luò)模型通用性的問題

產(chǎn) 業(yè) 生 態(tài) ：存 在 產(chǎn) 學(xué) 研 結(jié) 合 不 緊 密 ，數(shù) 據(jù) 訓(xùn)練、算法驗(yàn)證等公共服務(wù)能力不足的問題

綜 上 ，雖 然 存 在 挑 戰(zhàn) ，但 是 我 們 也 應(yīng) 該 看 到 ，有些行業(yè)還是已經(jīng)具備了非常好的基礎(chǔ)和發(fā)展條件，比如安防行業(yè)，安防是人工智能最具市場前景的 領(lǐng) 域 之一。

首 先 ，安 防 行 業(yè) 的 基 礎(chǔ) ：1 、視 頻 監(jiān) 控 高 清 化 ，解決了視頻監(jiān)控從看得見到看得清的問題，視頻蘊(yùn)含更多的信息；2、視頻監(jiān)控的網(wǎng)絡(luò)化，使得數(shù)據(jù) 從 分 散 到 匯 聚 ，傳 輸 更 加 快 捷 ；正 是 因 為 有 了高清化和網(wǎng)絡(luò)化的基礎(chǔ)，才能使得智能化得到快速發(fā)展，而智能化恰恰解決人們看得懂的問題，從越來越懂得視頻中找到人們關(guān)注的重要的信息 。其 次 ，視 頻 監(jiān) 控 體 量 大 ：隨 著 平 安 城 市 建 設(shè) 的不 斷 推 進(jìn) ，監(jiān) 控 點(diǎn) 位 越 來 越 多 ，從 最 初 的 幾 千 路 ，到幾萬路，甚至于到現(xiàn)在幾十萬路的規(guī)模，為人工智能提供了堅(jiān)實(shí)的基礎(chǔ)。最后，行業(yè)需求比較大：以公安行業(yè)為例，一個中等城市：3萬路高清3 0 天 ，視 頻 存 儲 容 量 3 6 P B ，3 千 個 卡 口 一 年 的 過 車數(shù)據(jù)100億條，海量監(jiān)控視頻中無用數(shù)據(jù)完全淹沒了少有的價(jià)值數(shù)據(jù)。隨著數(shù)據(jù)量的劇增，人工查閱的方式效率低、時(shí)間久，已經(jīng)完全滿足不了業(yè)務(wù)需求。人工進(jìn)行案件關(guān)聯(lián)分析、軌跡跟蹤，容易受個人主觀判斷、數(shù)據(jù)分析量、分析維度等因素的干擾；現(xiàn)有的監(jiān)控系統(tǒng)過于單一、被動,僅提供視頻 錄 入 存 儲 的 功 能 ，在 事 前 預(yù) 警 、事 中 協(xié) 作 、事 后檢索等方面比較薄弱。

綜上，從安防行業(yè)來看，數(shù)據(jù)豐富，行業(yè)客戶迫切想要更智能化的產(chǎn)品來解決視頻體量激增帶來的分析問題，并且隨著平安城市等建設(shè)，客戶非常愿意在視頻監(jiān)控和智能方面加大投入。也就是說，安防本身業(yè)務(wù)應(yīng)用的需求決定了安防人工智能市場的潛在需求巨大，就算沒有外來資本及技術(shù)的進(jìn)入，安防企業(yè)本身也會通過資本渠道去接觸和學(xué)習(xí)人工智能的知識與技術(shù)。

總結(jié)

深度學(xué)習(xí)的出現(xiàn)，解決了傳統(tǒng)算法的不足，讓我們對視頻智能分析應(yīng)用產(chǎn)生了更多期待。相信在不久的將來，產(chǎn)品會更加智能，為視頻的深度應(yīng)用奠定堅(jiān)實(shí)的基礎(chǔ)。

作者單位：杭州?？低晹?shù)字技術(shù)股份有限公司