深度學習是機器學習中一種基于對數(shù)據(jù)進行表征學習的方法。觀測值(例如一幅圖像)可以使用多種方式來表示，如每個像素強度值的向量，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例中學習任務(例如，人臉識別或面部表情識別)。深度學習的好處是用非監(jiān)督式或半監(jiān)督式的特征學習和分層特征提取高效算法來替代手工獲取特征。
深度學習是機器學習研究中的一個新的領(lǐng)域，其動機在于建立、模擬人腦進行分析學習的神經(jīng)網(wǎng)絡，它模仿人腦的機制來解釋數(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應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”成機器可以理解的語言，并進行保存，確保后續(xù)提供給上層應用平臺調(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。只有在實現(xiàn)結(jié)構(gòu)化處理之后，才能將其中有價值的數(shù)據(jù)直觀、高效的保存、處理和應用。
在智慧城市建設(shè)中，有成千上萬路監(jiān)控攝像頭或者傳感器，晝夜不停地監(jiān)視或采集其他原始數(shù)據(jù)。其中，會產(chǎn)生海量的音視頻數(shù)據(jù)，需要監(jiān)控管理平臺處理。即便人力充沛的情況下，面對龐大的視頻數(shù)據(jù)，要求快速、準確地從海量數(shù)據(jù)中找到有效的信息，幾乎是不可能的。受制于肉眼識別勞動強度的極限，在發(fā)生緊急事件時，人力調(diào)配和視頻資源往往存在矛盾，不依靠計算機自動進行篩選，必然造成貽誤戰(zhàn)機。
視頻結(jié)構(gòu)化就是實現(xiàn)將海量視頻中的人、車目標進行提取并識別的過程。一旦有重要事件發(fā)生，系統(tǒng)就可在數(shù)據(jù)庫中快速查找到關(guān)鍵的“人”、“車”、“物”等相關(guān)音視頻線索。針對海量監(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、自動的、智能的系統(tǒng)實現(xiàn)上述需求。
深度學習介紹
過去幾年中，得益于高速的計算芯片(GPU)及大量的標注數(shù)據(jù)，作為當下最流行的機器學習方法，深度學習在各個應用領(lǐng)域中都取得了突破性的成績，未來人們會擁有大量的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)方面也會有各式各樣的AI應用產(chǎn)生，包括：營銷，供應鏈，預測及人力資源等，AI會以各種不同的方式出現(xiàn)在我們身邊，例如：機器人，無人機和一些小型機器，AI將使機器更具智能化，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。
機器學習是一個級聯(lián)串行結(jié)構(gòu)，因此每一環(huán)節(jié)的處理結(jié)果都會影響到最后的分類效果，在傳統(tǒng)的機器學習中針對其中的各個環(huán)節(jié)都有其各自獨立的算法。由于上述方法具有各自獨立性，因此傳統(tǒng)機器學習算法在處理問題時需要對各個環(huán)節(jié)進行優(yōu)化，并通過組合優(yōu)化方法在各個模塊中選取最優(yōu)的組合方式。
與傳統(tǒng)機器學習相比深度學習可以把機器學習中的各個部分合成一個整體結(jié)構(gòu)，通過統(tǒng)一的訓練方法(Backpropagation)對其中所有的參數(shù)進行調(diào)節(jié)。
采用卷積方式與某一卷積核進行卷積所得到的結(jié)果，每一結(jié)果代表了從原始圖像所提取的特征，通過級聯(lián)方式對圖像或信號進行特征提取，最后得到人們想要的分類結(jié)果。
結(jié)合深度學習技術(shù)，實現(xiàn)視頻結(jié)構(gòu)化
在安防行業(yè)中，通過深度學習對視頻進行結(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，往往先用檢測或者比較簡單的識別算法，將目標從背景中提取出來。然后，通過識別算法分辨是否是正常目標，最后判斷目標類型。
而利用深度學習技術(shù)，可直接通過分類器，將目標從背景中識別出來再進行跟蹤，同時可以直接得到目標類別。這種模式下，目標檢測的準確率和跟蹤的穩(wěn)定性都能夠大幅度提高。
同時，算法不需要根據(jù)不同目標類型調(diào)用不同模塊進行目標分割或者特征提取，可直接利用目標識別結(jié)果，進行特征識別，直接獲得相應的目標屬性。
深度學習技術(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)合深度學習本身的技術(shù)特色，還對車輛信息提取、人臉識別等已有功能進行改善，效果尤為明顯。
在這之前，人臉識別在傳統(tǒng)算法中，有非常好的效果。在預處理之后，通過提取特定的特征并對特征值進行訓練，最后得到分類器，進行識別。深度學習優(yōu)化了人臉識別的方案，將比較依靠專家選擇的特征提取模塊簡化，通過輸入樣本即可直接訓練得到分類器。
智能交通卡口或者電警攝像頭智能抓拍車輛圖片，并識別車輛號牌字符、車輛顏色、車輛類型等數(shù)據(jù)。引入深度學習技術(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)平臺應用提供的更多的數(shù)據(jù)支撐。
