在传统的智能分析之上，人工智能、深度自学的应用于将安防推上至深度智能的新阶段，一时间，环绕着芯片和算法的辩论沦为业内探究人工智能应用于不可或缺的说词。然而基于开源的代码和网络架构，各厂商使用的芯片和算法大多类似于，如何在开源环境下重塑核心竞争力？　　人工智能对安防行业业务来讲，主要是对传统的智能分析业务的算法升级，而智能分析在安防业务应用于中则主要用来构建对包括大自然场景的视频图像展开结构化，其结构化的结果是对视频图像中的人、车、物等静态和和动态目标及其各种属性的检测与辨识。

因此，总体来说，人工智能在解决问题对视频图像的结构化工作方面比传统智能分析算法结构化的效果更佳，性能更高。　　从传统智能分析算法到人工智能，关键在于神经网络算法的优化升级，而这其中的关键，也正是从CPU过渡到GPU所带给的突破。　　GPU构建了深度神经网络的技术突破　　神经网络并不是一个新鲜的概念，在上个世纪就经常出现了LeNet网络，并运用在邮政编码中的数字辨识。但是用于后向传播技术，神经网络模型训练样本一个训练样本时必须重复递归多次，训练集中于的样本就越多，运算量越大，基于CPU展开训练，过程非常快，约数日甚至几个月之久，这正是制约神经网络普及的众多因素。

　　GPU的经常出现把出现异常训练过程大大缩短。所以，目前的各种深度神经网络应用都是基于GPU构建。

用于GPU搭起的神经网络应用大都是服务器形态。比如2016年10月份宇视科技与NVIDIA牵头公布了新一代大容量分布式云结构化智能化分析服务器(代号昆仑)，在4U的高度上反对了80颗NVIDIAJetsonTX1处理器，一台昆仑可以所发处置640张/秒的人脸识别、160路的人员计数、80路人车物的结构化分析。

　　但是用于服务器构建智能分析，虽然GPU分析能力很强，但是服务器的视频解码压力相当大。最理想的方式是把神经网络模型部署到前端收集照相机，使得照相机在输入视频图像的同时实时输入结构化信息。　　人工智能在安防领域的应用于基础和优势　　目前的人工智能算法大都基于深度自学构建，深度自学训练神经网络模型是基于海量的训练集，同时必须训练集中于的数据具备多样性和完善性。　　加装在各种场景中的安防摄像机需要构建24*365天式的全天候的收集，可以源源不断的输入海量的数据构成训练集，从这个角度来讲，安防行业以其流数据信息量仅次于、数据层次最非常丰富的特性展现出了在人工智能应用于方面先天的优势。

　　安防领域人工智能应用于必须解决问题的问题　　人工智能的应用于早已沦为趋势，但要转入到下一阶段的规模化应用于，目前必需再行解决问题这样几大问题：　　1)视频图像结构化工作合适放到前端智能照相机构建，不应全部放到后末端服务器端，虽然服务器上插有多块GPU显示卡，因为多路视频解码不会对服务器导致压力，而这对GPU来说并不擅长于。深度神经网络结构部署在前端智能照相机就必须强劲而又附有扩展性的人工智能芯片(不论是ASIC模式还是IP加快引擎模式)，而目前来看，能获取这样功能的芯片的厂商很少，同时各种神经网络结构层出不穷，现阶段这个领域的技术发展还不很成熟期，但这是未来的方向；　　2)有了人工智能芯片，下一个差距就反映在大数据集上，所以对安防厂商来讲，其仅次于的优势就在于否创建起完善的海量训练数据集。现在的深度神经网络训练都是监督自学模式，所以必须对每个自学样本依照已完成的任务建立相应的监督标签，这是耗时乏人力的工作，海量数据训练集是用户看到的竞争优势；　　3)否创建起可拓展的、较慢、可移植的深度自学框架。对于深度自学来讲，随着训练集的大大变化，或者更加杰出的网络模型的经常出现，必须创建起一个可拓展的深度自学框架。

所谓的可拓展，所指的是训练环境需要扩展到多个GPU(横跨多个主机)，用于更大更加简单的训练数据集，以训练更加简单的模型的能力。由于深度自学模型有可能必须几天或者几个星期才能训练一次，因此即便是保守地改良，也不会对新的模型的研发和评估速度产生极大影响。同时自由选择的深度自学框架需要较慢建构新的模型和改版现有模型的能力。最后训练获得的网络模型有可能运营在多种设备和平台上，从多种服务器到多种智能照相机，同时必须升级模型的智能照相机一般都加装在距离较为近的方位，所以训练获得的模型必需不具备充份的可移植性。

目前能用的深度自学平台有Caffe、CNTK、MXNet、TensorFlow、Theano和Torch。　　人工智能大环境下厂商的竞争之道　　现在的各种深度自学框架代码都早已开源，甚至一些训练好的网络模型也开源了，开源的方式毫无疑问推展了行业的较慢发展，因为现在的人工智能，单凭一己之力作好不会极快，必需通过群策群力联合把人工智能作好，芯片厂商获取可用作后末端服务器和前端智能照相机的人工智能芯片，安防厂商基于自有的海量数据集，训练特有的神经网络模型。人工智能芯片和海量训练数据集相辅相成，联合打造出高性能的神经网络模型，构建高质量的视频图像结构化，最后利用开源的力量，大家联合利润。

　　基于开源的代码和网络架构，各厂商使用的芯片和算法大多类似于，但对深度自学来讲，显然的竞争力并不在算法和芯片上，确实的核心也并不是神经网络代码和网络结构，而是基于明确行业应用于的海量训练数据集，以及否创建起较慢的、可拓展的、可移植的自学框架。有了基于行业的独特的海量训练数据集，就可以训练获得比较竞争对手更加杰出的模型。

有了更加出色的自学框架，就需要较慢的大大的训练出有新的更加杰出的模型，并对新的模型展开较慢部署，大大的维持竞争优势。

本文来源：门徒娱乐-www.zzxinmai.com