深度學(xué)習(xí)奏響車牌識別系統(tǒng)分析技術(shù)新樂章。在2017年兩會(huì)熱詞中，被譽(yù)為互聯(lián)網(wǎng)下一個(gè)風(fēng)口的人工智能，成為兩會(huì)期間大眾的關(guān)注熱點(diǎn)，與創(chuàng)業(yè)緊緊聯(lián)系在一起，成為創(chuàng)業(yè)者的新寵。同時(shí)，網(wǎng)友也熱衷于深扒人工智能背后的“黑科技”，深度學(xué)習(xí)技術(shù)也因此成為關(guān)注點(diǎn)聚焦。其實(shí)，深度學(xué)習(xí)和安防搭配食用更美味。

深度學(xué)習(xí)奏響智能視頻分析技術(shù)新樂章

深度學(xué)習(xí)奏響智能視頻分析技術(shù)新樂章

隨著各地視頻接入規(guī)模的迅猛增長及視頻監(jiān)控對高清、智能、聯(lián)網(wǎng)的要求越來越高，每天產(chǎn)生的數(shù)據(jù)量正以驚人的速度在不停增長。視頻監(jiān)控正迎來全新的大數(shù)據(jù)時(shí)代，數(shù)據(jù)越來越成為最寶貴的資源，如何有效對數(shù)據(jù)進(jìn)行存儲、共享以及應(yīng)用變得愈加重要。在這個(gè)新時(shí)代，智能化也成為視頻監(jiān)控的新趨勢。

一、傳統(tǒng)智能視頻分析技術(shù)的不足

智能視頻分析技術(shù)利用一些圖像處理、模式識別或機(jī)器學(xué)習(xí)等領(lǐng)域的算法來分析視頻序列中的信息，以達(dá)到理解視頻內(nèi)容的目的，也有人稱為視頻內(nèi)容分析。有了智能視頻分析技術(shù)，我們就可以及時(shí)地發(fā)現(xiàn)視頻中的異常情況，第一時(shí)間做出反應(yīng)，減少損失。

當(dāng)我們還在憧憬著智能視頻分析技術(shù)的前景時(shí)，現(xiàn)實(shí)給所有安防智能化廠商上了沉重的一課。很多智能視頻分析技術(shù)受限于應(yīng)用場景，為了得到較好的準(zhǔn)確率，往往需要“天時(shí)”、“地利”和“人和”。好不容易湊齊了三個(gè)要素，提供了非常標(biāo)準(zhǔn)的場景，我們?nèi)钥赡苡龅街悄芊治觥傲T工”的情況。其實(shí)，問題就出在算法本身上。

首先，傳統(tǒng)的智能分析算法通常采取人工選擇特征的方法，如尺度不變特征,方向梯度直方圖特征，局部二值模式特征等。很明顯，特征選擇的好壞直接決定著算法準(zhǔn)確率的上限。算法研究團(tuán)隊(duì)的重點(diǎn)任務(wù)變成了投入更多的人力去挖掘出更好的特征。

數(shù)據(jù)集越大，特征越難發(fā)現(xiàn)和選擇，就好像一個(gè)無底洞一樣，不斷地試探，不斷地積累，時(shí)間和人力成本相當(dāng)之高。而所謂SIFT特征、HOG特征、LBP特征，都是算法人員在某種假設(shè)的前提下，尋找特定數(shù)據(jù)集在某一層面的表示。但這種表示是否真的有效，還是要靠算法人員的經(jīng)驗(yàn)和運(yùn)氣呢?每種特征都有自己的提取方式，遵循著自己的理論支持，但如果理論假設(shè)本身與現(xiàn)實(shí)相悖呢?我們無從知曉。

其次，有些智能分析算法模型為淺層學(xué)習(xí)模型，如支持向量機(jī)、邏輯回歸等。淺層學(xué)習(xí)模型通常有0或1層隱層節(jié)點(diǎn)，可以在一定規(guī)模的數(shù)據(jù)集下發(fā)揮較強(qiáng)的表達(dá)能力。但當(dāng)數(shù)據(jù)量不斷增大時(shí)，這些模型就會(huì)處于欠擬合的狀態(tài)。通俗點(diǎn)說就是數(shù)據(jù)量太大，模型不夠復(fù)雜，覆蓋不了所有數(shù)據(jù)。而算法模型無法解析大數(shù)據(jù)，直接制約了其應(yīng)用的廣度和深度，也限制了其進(jìn)一步發(fā)展的空間。

深度學(xué)習(xí)技術(shù)的興起，為我們解決了以上問題。在討論深度學(xué)習(xí)技術(shù)之前，我們先來談一談大數(shù)據(jù)，因?yàn)樯疃葘W(xué)習(xí)與大數(shù)據(jù)密不可分。

二、大數(shù)據(jù)時(shí)代的變革

生活在大數(shù)據(jù)時(shí)代的算法人員是幸運(yùn)的，車牌識別系統(tǒng)，因?yàn)樗麄儞碛袛?shù)據(jù);生活在大數(shù)據(jù)時(shí)代的算法人員也可能是不幸的，如果他不懂得如何利用這些數(shù)據(jù)，陷入數(shù)據(jù)的汪洋中無從抽身。大數(shù)據(jù)對智能視頻分析技術(shù)有著深遠(yuǎn)的影響意義。

大數(shù)據(jù)時(shí)代為算法研究提供了足夠多、足夠豐富的訓(xùn)練樣本。樣本的容量和種類是算法模型是否具有泛化能力的重要因素。換句話說，訓(xùn)練樣本集的規(guī)模決定了模型能否對訓(xùn)練樣本以外的數(shù)據(jù)有效的解釋。傳統(tǒng)的算法研究不可避免地要遇到小樣本問題為了解決小樣本問題，模型中加入了很多技巧性的手段，并都沒有本質(zhì)的區(qū)別，小樣本仍然存在。大數(shù)據(jù)時(shí)代，問題的解決就變得簡單粗暴多了。將所觀測到的海量數(shù)據(jù)扔進(jìn)模型中訓(xùn)練，只要模型足夠復(fù)雜，就能夠有效地表示這些數(shù)據(jù)。

大數(shù)據(jù)時(shí)代為算法研究提供了高效的計(jì)算工具。前面提到，數(shù)據(jù)量的增加意味著需要更復(fù)雜的模型來詮釋它。我們辛辛苦苦構(gòu)建了一個(gè)模型，到頭來發(fā)現(xiàn)模型無法求解，或者求解的時(shí)間遠(yuǎn)遠(yuǎn)超出我們的想象。我們只能眼巴巴地看著一堆數(shù)據(jù)，然后酸酸地說，大數(shù)據(jù)似乎沒那么有用。值得慶幸的是，有人已經(jīng)走在了前面。無論是分布式計(jì)算、并行計(jì)算還是云計(jì)算，都在為之努力，試圖解決日益增長的計(jì)算能力需求。

三、深度學(xué)習(xí)技術(shù)的出現(xiàn)

好了新疆懸浮門價(jià)格問題的詳細(xì)介紹就為您介紹到這里了，感謝您的閱讀，如需進(jìn)一步了解它的特點(diǎn)，烏魯木齊破胎器廠家還請您繼續(xù)關(guān)注本公司的新聞動(dòng)態(tài)。如果大家有什么不懂的地方，歡迎來烏魯木齊破胎器廠家！新疆懸浮門批發(fā)廠家的全體員工邀請您聯(lián)系13999890731了解更多資訊和產(chǎn)品信息。