目標識別、物體檢測、智能分析……隨著深度學習算法的進步，安防技術取得了突破性進展。深度學習被看做安防行業的革命性力量，大大加速了安防的發展過程。

在這樣的情境下，全球人工智能計算機視覺領域奠基人之一、約翰霍普金斯大學教授艾倫·尤爾拋出“深度學習（Deep learning）在計算機視覺領域的瓶頸已至”的觀點，引發業內許多專家共鳴與熱議。

深度學習變革安防行業

目前，深度學習的研究領域主要集中在語音識別和計算機視覺方面，而計算機視覺作為人工智能落地過程中的“顯學”，被各行各業所重視。對擁有海量視頻圖像資源的安防行業而言，深度學習能夠對這些資源進行分析，實現利用。

例如：在人臉識別方面，深度學習大幅提升了復雜任務分類的準確率，可以實現人臉檢測、身份對比、活體檢測等功能；在智能視頻分析方面，可以做到人、非機動車和機動車的視頻結構化研究。基于此，安防行業一躍成為當紅“炸子雞”。

成也是“標注數據” 敗也是“標注數據”

然而，深度學習卻有很多局限性。眾所周知，深度學習需要基于大量的標注數據，這些數據需要由人類進行標注，而人類的弱點則導致了深度學習的許多缺陷：

大量的數據需求使得研究人員的焦點過度集中于容易的任務，回避重要且困難的任務，因此，在基準數據集上，深度學習表現良好，但脫離數據集，進入真實世界后，就有出現重大失誤的風險，尤其是數據集中不常出現的情形，例如，在動物園監控場景下，“相機出現在猴子手里”等情況。

此外，從組合學觀點來看，真實世界圖像的信息量無疑遠遠大于人工標注的圖片信息，這使得深度學習對圖像中的變化非常敏感，導致系統判斷出錯，這對訓練和應用都提出了巨大的挑戰。

如何補齊深度學習的短板？

深度學習的短板要如何補齊？既然深度學習的關鍵在于大量人工標注的數據，那么，解決數據帶來的問題，或許可以繼續從數據方面著手。

一種解決方案是簡單地擴大訓練數據的范圍，即通過更多的訓練數據使網絡自動吸取經驗、已更快地學習新任務。這聽起來更像是人類的學習方法。

不過，人工智能是對人類智能的模仿，而深度學習只是眾多AI技術中的一種。人類本身并非主要依賴深度學習，并且可以收集多維度的數據，借助“觸類旁通”的能力來進行認知，因此，在安防行業，深度學習需要與知識圖譜、機器記憶、語義識別等不同維度的手段相結合，彌補自身短板。

結語：總而言之，在未來一段時間內，深度學習仍將對智慧安防行業的發展起著積極的推動作用，與此同時，業內人士也已經明晰了深度學習本身存在的局限，并對此進行探索，以彌補其不足。