深度學(xué)習(xí)是機(jī)器學(xué)習(xí)中一種基于對(duì)數(shù)據(jù)進(jìn)行表征學(xué)習(xí)的方法。觀測(cè)值(例如一幅圖像)可以使用多種方式來表示，如每個(gè)像素強(qiáng)度值的向量，或者更抽象地表示成一系列邊、特定形狀的區(qū)域等。而使用某些特定的表示方法更容易從實(shí)例中學(xué)習(xí)任務(wù)(例如，人臉識(shí)別或面部表情識(shí)別)。深度學(xué)習(xí)的好處是用非監(jiān)督式或半監(jiān)督式的特征學(xué)習(xí)和分層特征提取高效算法來替代手工獲取特征。
深度學(xué)習(xí)是機(jī)器學(xué)習(xí)研究中的一個(gè)新的領(lǐng)域，其動(dòng)機(jī)在于建立、模擬人腦進(jìn)行分析學(xué)習(xí)的神經(jīng)網(wǎng)絡(luò)，它模仿人腦的機(jī)制來解釋數(shù)據(jù)，例如圖像，聲音和文本。
視頻結(jié)構(gòu)化助力智慧城市建設(shè)
從技術(shù)角度來說，智慧城市就是感知、分析和提取城市系統(tǒng)的各種信息并做出相對(duì)應(yīng)反饋的一整套城市管理系統(tǒng)，其中，原始的視頻數(shù)據(jù)是城市系統(tǒng)信息的重要組成部分。現(xiàn)如今，海量視頻數(shù)據(jù)已成必然，需要一套可以自動(dòng)從視頻中提取結(jié)構(gòu)化信息的方案，把視頻、圖像“翻譯”成機(jī)器可以理解的語(yǔ)言，并進(jìn)行保存，確保后續(xù)提供給上層應(yīng)用平臺(tái)調(diào)用和處理的素材。
視頻結(jié)構(gòu)化的意義
視頻或者圖像數(shù)據(jù)，從前端傳感器直接獲得，從技術(shù)上來說，是一種非結(jié)構(gòu)化信息。只有在實(shí)現(xiàn)結(jié)構(gòu)化處理之后，才能將其中有價(jià)值的數(shù)據(jù)直觀、高效的保存、處理和應(yīng)用。
在智慧城市建設(shè)中，有成千上萬(wàn)路監(jiān)控?cái)z像頭或者傳感器，晝夜不停地監(jiān)視或采集其他原始數(shù)據(jù)。其中，會(huì)產(chǎn)生海量的音視頻數(shù)據(jù)，需要監(jiān)控管理平臺(tái)處理。即便人力充沛的情況下，面對(duì)龐大的視頻數(shù)據(jù)，要求快速、準(zhǔn)確地從海量數(shù)據(jù)中找到有效的信息，幾乎是不可能的。受制于肉眼識(shí)別勞動(dòng)強(qiáng)度的極限，在發(fā)生緊急事件時(shí)，人力調(diào)配和視頻資源往往存在矛盾，不依靠計(jì)算機(jī)自動(dòng)進(jìn)行篩選，必然造成貽誤戰(zhàn)機(jī)。
視頻結(jié)構(gòu)化就是實(shí)現(xiàn)將海量視頻中的人、車目標(biāo)進(jìn)行提取并識(shí)別的過程。一旦有重要事件發(fā)生，系統(tǒng)就可在數(shù)據(jù)庫(kù)中快速查找到關(guān)鍵的“人”、“車”、“物”等相關(guān)音視頻線索。針對(duì)海量監(jiān)控視頻錄像的事后分析，傳統(tǒng)以人海戰(zhàn)術(shù)為主的視頻線索查找，顯然不能滿足高效查找，正面臨巨大挑戰(zhàn)，急需一種更為高效的、自動(dòng)的、智能的系統(tǒng)實(shí)現(xiàn)上述需求。
深度學(xué)習(xí)介紹
過去幾年中，得益于高速的計(jì)算芯片(GPU)及大量的標(biāo)注數(shù)據(jù)，作為當(dāng)下最流行的機(jī)器學(xué)習(xí)方法，深度學(xué)習(xí)在各個(gè)應(yīng)用領(lǐng)域中都取得了突破性的成績(jī)，未來人們會(huì)擁有大量的AI，各種為私人定制的AI，包括醫(yī)療領(lǐng)域，制造業(yè)領(lǐng)域，在商業(yè)方面也會(huì)有各式各樣的AI應(yīng)用產(chǎn)生，包括：營(yíng)銷，供應(yīng)鏈，預(yù)測(cè)及人力資源等，AI會(huì)以各種不同的方式出現(xiàn)在我們身邊，例如：機(jī)器人，無人機(jī)和一些小型機(jī)器，AI將使機(jī)器更具智能化，使其變得更加安全易用。未來的AI發(fā)展速度將超越摩爾定律。
機(jī)器學(xué)習(xí)是一個(gè)級(jí)聯(lián)串行結(jié)構(gòu)，因此每一環(huán)節(jié)的處理結(jié)果都會(huì)影響到最后的分類效果，在傳統(tǒng)的機(jī)器學(xué)習(xí)中針對(duì)其中的各個(gè)環(huán)節(jié)都有其各自獨(dú)立的算法。由于上述方法具有各自獨(dú)立性，因此傳統(tǒng)機(jī)器學(xué)習(xí)算法在處理問題時(shí)需要對(duì)各個(gè)環(huán)節(jié)進(jìn)行優(yōu)化，并通過組合優(yōu)化方法在各個(gè)模塊中選取最優(yōu)的組合方式。
與傳統(tǒng)機(jī)器學(xué)習(xí)相比深度學(xué)習(xí)可以把機(jī)器學(xué)習(xí)中的各個(gè)部分合成一個(gè)整體結(jié)構(gòu)，通過統(tǒng)一的訓(xùn)練方法(Backpropagation)對(duì)其中所有的參數(shù)進(jìn)行調(diào)節(jié)。
采用卷積方式與某一卷積核進(jìn)行卷積所得到的結(jié)果，每一結(jié)果代表了從原始圖像所提取的特征，通過級(jí)聯(lián)方式對(duì)圖像或信號(hào)進(jìn)行特征提取，最后得到人們想要的分類結(jié)果。
結(jié)合深度學(xué)習(xí)技術(shù)，實(shí)現(xiàn)視頻結(jié)構(gòu)化
在安防行業(yè)中，通過深度學(xué)習(xí)對(duì)視頻進(jìn)行結(jié)構(gòu)化信息提取，完成了傳統(tǒng)算法無法完成的功能，算法效果也得到大幅度提高。
傳統(tǒng)的CV算法在處理視頻算法時(shí)，往往先用檢測(cè)或者比較簡(jiǎn)單的識(shí)別算法，將目標(biāo)從背景中提取出來。然后，通過識(shí)別算法分辨是否是正常目標(biāo)，最后判斷目標(biāo)類型。
而利用深度學(xué)習(xí)技術(shù)，可直接通過分類器，將目標(biāo)從背景中識(shí)別出來再進(jìn)行跟蹤，同時(shí)可以直接得到目標(biāo)類別。這種模式下，目標(biāo)檢測(cè)的準(zhǔn)確率和跟蹤的穩(wěn)定性都能夠大幅度提高。
同時(shí)，算法不需要根據(jù)不同目標(biāo)類型調(diào)用不同模塊進(jìn)行目標(biāo)分割或者特征提取，可直接利用目標(biāo)識(shí)別結(jié)果，進(jìn)行特征識(shí)別，直接獲得相應(yīng)的目標(biāo)屬性。
深度學(xué)習(xí)技術(shù)顛覆傳統(tǒng)算法，輕松完成視頻結(jié)構(gòu)化信息提取。除此之外，結(jié)合深度學(xué)習(xí)本身的技術(shù)特色，還對(duì)車輛信息提取、人臉識(shí)別等已有功能進(jìn)行改善，效果尤為明顯。
在這之前，人臉識(shí)別在傳統(tǒng)算法中，有非常好的效果。在預(yù)處理之后，通過提取特定的特征并對(duì)特征值進(jìn)行訓(xùn)練，最后得到分類器，進(jìn)行識(shí)別。深度學(xué)習(xí)優(yōu)化了人臉識(shí)別的方案，將比較依靠專家選擇的特征提取模塊簡(jiǎn)化，通過輸入樣本即可直接訓(xùn)練得到分類器。
智能交通卡口或者電警攝像頭智能抓拍車輛圖片，并識(shí)別車輛號(hào)牌字符、車輛顏色、車輛類型等數(shù)據(jù)。引入深度學(xué)習(xí)技術(shù)之后，車輛的車系信息、年款等信息也被開發(fā)出來，更多的車輛信息被挖掘，為后續(xù)平臺(tái)應(yīng)用提供的更多的數(shù)據(jù)支撐。
