深度学习下的智能技术应用及存在的问题 - 安防知识网

凭借在目标检测与识别方面出色的算法能力，以智能安防为首的多个行业正在掀起一场基于深度学习算法的应用浪潮，而在这个过程中，深度学习在算法优化和技术应用上依旧存在一些待解决的问题。

　　过去几年中，得益于高速计算芯片(GPU)及大量的标注数据，作为当下最流行的机器学习方法，深度学习在医疗领域、制造业领域及商业等各个应用领域中都取得了突破性的成绩，随着人工智能技术的不断革新，未来， AI将会以各种不同的应用形态出现在我们身边，未来的AI发展速度也将超越摩尔定律。

　　文/毛敏浙江大华技术股份有限公司智能算法工程师

　　深度学习算法与传统机器算法的比较

　　由于几乎所有的人工智能领域的问题都可以转化为分类问题，因此机器学习的基本步骤可分为如下形式：目标预处理-特征提取-目标分类，机器学习是一个级联串行结构，因此每一环节的处理结果都会影响到最后的分类效果，在传统的机器学习中针对其中的各个环节都有其各自独立的算法：

　　目标预处理：直方图归一化，倾斜矫正，形态学处理等;

　　特征提取：LBP，Haar，SIFT，SURF(Handcrafted Feature Extractor)，Cluster，BOW(bag of word), Fisher vector，PCA，LDA(Unsupervised features);

　　分类器：SVM，Decision tree, Ensample(集成分类器);

　　由于上述方法具有各自独立性，因此传统机器学习算法在处理问题时需要对各个环节进行优化，并通过组合优化方法在各个模块中选取最优的组合方式。

　　与传统机器学习相比深度学习可以把机器学习中的各个部分合成为一个整体结构，通过统一的训练方法(Backpropagation)对其中所有的参数进行调节。当前人们所指的深度学习主要是以CNN(卷积网络)为核心的一系列应用算法，其算法结构如下图所示:

　　PT1：CNN(卷积网络)算法结构

　　上图中的每一层都是采用卷积方式与某一卷积核进行卷积所得到的结果，每一结果代表了从原始图像所提取的特征，通过级联方式对图像或信号进行特征提取，最后得到人们想要的分类结果。

　　2000年以前，深层网络较难收敛，其原因是传统的网络采用的激励函数为sigmoid/tanh函数，其受初始化影响较大且会产生梯度消失的情况。直到2006年Hitton提出了RBM方法对网络进行预训练，之后采用了ReLU作为激活函数使得深度学习在数据量相对较小的任务中无需采用预训练模型的方式来训练网络。

　　到2000中期，卷积神经网络尽管已经在物体分类方面取得了较好的成绩，但其效果还是比传统方法略差。其原因主要有两方面，一是带标签的训练样本太少;二是计算机的计算效率太低。直到2012年，Fei-Fei Li推出多达120万张标注样本的ImageNet训练数据集，NVIDIA提供了高效并行计算工具，极大的提升了卷积神经网络在物体分类方面的速度和准确性。

　　CNN应用举例：

　　PT2：目标检测

　　PT3：姿态估计

　　PT4：图像描述

　　PT5：场景解析及标注

　　上述基于图像或视频的应用特别是基于深度学习目标检测与识别方法可应用于城市监控、智能交通及行为分析等。

　　深度学习算法优化及技术应用存在的问题

　　首先，深度学习开发平台尚未统一，当前深度学习的平台主要包括：Caffe、Torch、Theano、TensorFlow等，各个平台间的数据接口仍未统一，因此同一套算法需要根据不同平台提供不同的版本，算法移植成本较大，且给不同算法间的评估带来了一定难度;

　　其次，算法优化方向尚不明确，与传统算法相比深度学习可以看成是一个黑箱模型，因此当算法效果较差时很难评估具体是其中的哪个部分出了问题，当前的经验方法是采用更深的网络结构，增大样本量，此外尚无较明确的算法优化方法;

　　最后，在理论研究方面，目前从理论角度理解深度学习主要有这样几大方向：1、深度网络中的目标函数的几何特征是怎样的?2、从理论角度来解释卷积网络的有效性?3、如何将机器学习中的：监督学习、无监督学习以及增强学习进行融合，使其成为一种单一的算法?4、如何有效的设计一种类似于人类的无监督学习方法?

　　当前对于问题1与2尚无较好的解释及解决方法，对于问题3目前仍在探索阶段(对波尔玆曼机及自动编码器是当前该方向的研究热点)，关于问题4，尚处于探索阶段，但已有一些初步成果，即GAN(生成对抗网络)。

　　安防领域深度学习应用需要关注的问题

　　依赖于大数据应用方面的突破，安防领域人工智能的应用正呈现出燎原之势，当前的发展水平下，人工智能融合到安防领域所要解决的主要问题是算法的计算性能问题，由于安防领域的大量产品都属于前端产品，因此，深度学习需要运行在ARM等芯片上，如何把GPU上运行的算法移植到前端去运行是目前急需解决的问题。

　　另外，针对现阶段深度学习开发平台尚未统一的问题，由于目前深度学习对样本的数量及质量具有较大的依赖性，因此需要建立起一个统一的管理样本的平台，该平台应具有管理样本的能力，包括：去除重复样本，排除错误样本及自动生成训练所需的随机样本的能力。

　　而在芯片和算法方面，目前各厂商采用的芯片及算法相似，由于在芯片上运行的是根据实际应用所设计的算法，因此不同公司产品的优劣取决于其所提供算法的正确率及速度，在深度学习中这两部分对样本的质量具有较强的依赖性，因此公司的核心竞争力取决于对样本的管理能力。