[[419428]]

“深度學習”最近成為物理安全行業中比較流行的行話之一，當然，這是有充分理由的。這個人工智能 (AI) 子集的潛在好處也是巨大的，而這些好處現在才開始被理解和實現。

但我們如何將營銷炒作與現實區分開來?我們如何區分未來的潛力和當前的技術水平?為了澄清這項新技術的最新情況，我們本周邀請了幾位專家一起來聊聊：什么是“深度學習”?安全行業對其全部潛力的了解程度如何?

Brian Baker - Calipsa 首席營收官

深度學習是人工智能的一個子集，它使網絡能夠訓練自己執行語音、語義和圖像識別任務。在視頻監控中，這些網絡通過高度重復地暴露于來自攝像頭的人和車輛的圖像來學習做出預測。這種能力非常適合用于在周界巡邏尋找異常情況的無人機，或用于顯著減少報告給中央監測站操作員的誤報數量的軟件。通過使用，該軟件不斷提高其準確性。使這些網絡如此強大的原因在于它們能夠概括他們學到的概念，然后將它們應用于他們以前從未見過的圖像。

許多最終用戶、顧問、集成商和制造商都了解 AI 深度學習的當前潛力。然而，我們可能需要數年時間才能了解這項技術徹底改變行業的全部潛力。接下來，預測行為能力只可能受我們想象力的限制。

Rebecca Wormleighton - Zendelity 首席運營官

從商業智能到預測分析、大數據、人工智能、機器學習和現在的深度學習，目標始終不變：提供準確的洞察力，所有這些都隨著發展而增加價值和復雜性。從保護企業數據到防止網絡犯罪，再到優化運營，安全用例都有詳細記錄。要充分利用深度學習的潛力，需要 360 度全方位了解業務。

而挑戰是今天我們只掌握了這些技術的部分。我們擁有來自數字世界的數據，但缺乏來自物理操作的數據。這些數據被鎖定在日志、清單中，存儲在文件柜中。訪問和利用這些數據幾乎是不可能的，它不可靠、難以解釋，而且不是數字化的。但是，需要提供安全和安保風險業務的完整視圖。采購未開發的數據可提供更準確的見解，以挽救生命、金錢和時間。

Sean Foley - Interface Security Systems LLC高級副總裁

深度學習是機器學習的一個子集。與機器學習不同，深度學習擅長在非結構化數據(例如圖像)中尋找模式，使其非常適合安全行業。它還可以在較少人工監督的情況下“學習”。深度學習使安全攝像頭能夠識別物體及其定義特征。此功能正在徹底改變基于運動的視頻分析等應用，消除可能導致代價高昂的漏報誤報。這項技術的全部潛力遠遠超出了安全性，因為這些設備可以為零售環境中的消費者行為提供強大的洞察力，同時還提供可操作的操作情報，可以簡化工作流程。我們才剛剛開始體驗這項技術的好處，因此行業要真正了解其潛力，還需要一些想象力。當涉及到潛在用例和解決方案時，未來是無限的。

John Cassise - RealNetworks 公司總裁

深度學習是基于人工神經網絡的機器學習的一個子集。神經網絡試圖在數學上模擬人類大腦的某些生理機能和功能，盡管受到我們自己的理解。 Apple 的 Siri，包括語音變化和看似非常個性，就是深度學習的一個例子，而另一個案例是通過我們的臉解鎖我們的手機。

目前，我們才剛剛開始進入安全行業的深度學習和計算機視覺科學之旅。很容易想象非接觸式訪問控制變得更加普遍。關鍵基礎設施和其他敏感區域的員工可能需要選擇加入面部識別數據庫，以獲得最大的安全性。隨著我們的世界變得越來越復雜，深度學習將使安全行業能夠擴大其作用，使其變得更加主動而不是被動。這就是我們如何提高安全性和公共安全并維護便利性和用戶隱私的方法。

Sanjay Challa - Salient Systems 首席產品官

深度學習是機器基于對不同數據集的暴露來識別特定對象或對象特征的能力。在計算機視覺應用中，深度學習可以采用“觀看”數千或數十萬小時的相關視頻或圖像的形式，例如一輛藍色汽車、過線的人或一只大狗。除了物體檢測之外，深度學習還可以用于檢測行為，例如人跑步或其他行為異常。我們在深度學習和由此產生的分析中學到的是，分析的準確性與所用數據集的質量成正比。

Brad McMullen - 3xLOGIC, Inc. 總經理

深度學習是機器學習的一個類別，它使用多層數據分析將數據轉換為有用的信息。每個學習層都解決了一個更大的復雜問題的一小部分。該技術正在發展，但效率越來越低。正因為如此，深度學習將能夠為包括安全行業在內的許多行業增加極大的價值。一個例子是圖像/視頻分析，它從視頻源中提供深入的理解和洞察，例如安全協議、過程控制、人員流動、審計和合規性。在警報監控中，該技術學習模式、外部輸入和歷史活動，以減少誤報和誤派。用途包括音頻和視頻驗證系統的噪聲過濾和滋擾警報過濾。

在訪問控制中，深度學習有助于理解建筑物內進入/退出位置的使用模式，例如占用管理、集合和合規以確保建筑物的安全區域。

Paule Brodeur - Genetec, Inc. 計算機視覺經理

人工智能的子學科之一包括神經網絡研究。該研究使用結構化數據(以預定義方式組織或標記的數據)，分析輸入和輸出之間的關系以獲得新見解。深度學習是神經網絡的一種特殊形式，也適用于非結構化數據。深度學習令人興奮的是，最近獲得的準確度往往甚至超過了人類處理特定任務的能力。

在物理安全行業，深度學習可以幫助組織篩選數據并處理現實世界的解決方案，例如面部識別或人數統計。在 Genetec，我們正在使用深度神經網絡來提高我們的 ALPR 系統的性能并添加諸如車輛類型和顏色之類的分析。我們還優化了人員檢測功能以改進隱私保護和分析，例如人員計數器和入侵檢測。

Aaron Saks - Hanwha Techwin America 產品和技術經理

作為人工智能的一個子集，深度學習使用神經網絡對數據進行分析和分組，并根據模式進行預測。神經網絡試圖通過一組算法來模擬人腦。深度學習特別擅長處理非結構化數據，如視頻或圖像，它可以在學習過程的每個階段以無監督的方式得出結論，而無需依賴人類。基于人工智能的深度學習相機不僅僅是相機，它們還是可以對企業收入產生積極影響的智能數據傳感器。

在 Hanwha Techwin，我們在 AI 相機中使用深度學習來準確檢測和識別物體，同時描述它們的獨特屬性。這可能是車輛的顏色和類型，或者一個人的衣服的大致年齡和顏色。全部潛力是巨大的，從增強的安全工作流程到生成可操作的業務和運營智能。

Justin Frints - Security & Safety Things事務副總裁

深度學習，有時也稱為機器學習或人工智能，是一種強大的工具，可通過識別某些像素模式來增強我們從龐大的相機數據流中生成有價值信息的方式。如今的攝像頭系統提供了多種用例，例如識別越線的人或檢測車牌。因此，深度學習技術正在迅速變化和改進，但有不同程度的潛在用途。第一個是最簡單的，也是當今大多數安全系統的所在——識別物體、人、動物、汽車，甚至識別汽車的類型或車牌上的字符。第二個層面是行為層面，可以檢測到潛在的暴力、攻擊行為等。第三個層次是故意行為或預防性行為，系統可以預測打架或盜竊的可能性。與回顧過去相比，預防事故的可能性是巨大的。

John Davies - TDSI董事總經理

整個安全行業剛剛走過理解階段，AI和深度學習可以帶我們走得更遠。若干因素正在推動AI和深度學習，首先是世界上傳感器產生的數據的爆炸和擴散 - 包括攝像機，訪問控制和建筑管理系統。所有這些傳感器都攪拌出數據24-7，現在我們開始使用軟件系統來“挖掘”此數據。此挖掘正在從不同的筒倉之間的數據之間討論迄今為止的關系，這是創造一些有趣的結果。然后使用算法來描述這些關系，并且這些關系又可以使用或者可以使用，以識別某些情況，因為事件發生或甚至預先發生。談到威脅預測時，肯定會有少數群體報告!

總結

專家們的回答反映了對“深度學習”的定義和對改變物理安全市場的潛力的共同思想的共識，大家基本同意我們現在只在實施深度學習的承諾的早期階段。深度學習作為一項令人興奮的雞，它的未來仍然存在更多的可能性，僅限于我們的想象力。