“深度学习”最近成为物理安全行业中比较流行的行话之一，当然，这是有充分理由的。这个人工智能 (AI) 子集的潜在好处也是巨大的，而这些好处现在才开始被理解和实现。
但我们如何将营销炒作与现实区分开来?我们如何区分未来的潜力和当前的技术水平?为了澄清这项新技术的最新情况，我们本周邀请了几位专家一起来聊聊：什么是“深度学习”?安全行业对其全部潜力的了解程度如何?
Brian Baker - Calipsa 首席营收官
深度学习是人工智能的一个子集，它使网络能够训练自己执行语音、语义和图像识别任务。在视频监控中，这些网络通过高度重复地暴露于来自摄像头的人和车辆的图像来学习做出预测。这种能力非常适合用于在周界巡逻寻找异常情况的无人机，或用于显着减少报告给中央监测站操作员的误报数量的软件。通过使用，该软件不断提高其准确性。使这些网络如此强大的原因在于它们能够概括他们学到的概念，然后将它们应用于他们以前从未见过的图像。
许多最终用户、顾问、集成商和制造商都了解 AI 深度学习的当前潜力。然而，我们可能需要数年时间才能了解这项技术彻底改变行业的全部潜力。接下来，预测行为能力只可能受我们想象力的限制。
Rebecca Wormleighton - Zendelity 首席运营官
从商业智能到预测分析、大数据、人工智能、机器学习和现在的深度学习，目标始终不变：提供准确的洞察力，所有这些都随着发展而增加价值和复杂性。从保护企业数据到防止网络犯罪，再到优化运营，安全用例都有详细记录。要充分利用深度学习的潜力，需要 360 度全方位了解业务。
而挑战是今天我们只掌握了这些技术的部分。我们拥有来自数字世界的数据，但缺乏来自物理操作的数据。这些数据被锁定在日志、清单中，存储在文件柜中。访问和利用这些数据几乎是不可能的，它不可靠、难以解释，而且不是数字化的。但是，需要提供安全和安保风险业务的完整视图。采购未开发的数据可提供更准确的见解，以挽救生命、金钱和时间。
Sean Foley - Interface Security Systems LLC高级副总裁
深度学习是机器学习的一个子集。与机器学习不同，深度学习擅长在非结构化数据(例如图像)中寻找模式，使其非常适合安全行业。它还可以在较少人工监督的情况下“学习”。深度学习使安全摄像头能够识别物体及其定义特征。此功能正在彻底改变基于运动的视频分析等应用，消除可能导致代价高昂的漏报误报。这项技术的全部潜力远远超出了安全性，因为这些设备可以为零售环境中的消费者行为提供强大的洞察力，同时还提供可操作的操作情报，可以简化工作流程。我们才刚刚开始体验这项技术的好处，因此行业要真正了解其潜力，还需要一些想象力。当涉及到潜在用例和解决方案时，未来是无限的。
John Cassise - RealNetworks 公司总裁
深度学习是基于人工神经网络的机器学习的一个子集。神经网络试图在数学上模拟人类大脑的某些生理机能和功能，尽管受到我们自己的理解。 Apple 的 Siri，包括语音变化和看似非常个性，就是深度学习的一个例子，而另一个案例是通过我们的脸解锁我们的手机。
目前，我们才刚刚开始进入安全行业的深度学习和计算机视觉科学之旅。很容易想象非接触式访问控制变得更加普遍。关键基础设施和其他敏感区域的员工可能需要选择加入面部识别数据库，以获得最大的安全性。随着我们的世界变得越来越复杂，深度学习将使安全行业能够扩大其作用，使其变得更加主动而不是被动。这就是我们如何提高安全性和公共安全并维护便利性和用户隐私的方法。
Sanjay Challa - Salient Systems 首席产品官
深度学习是机器基于对不同数据集的暴露来识别特定对象或对象特征的能力。在计算机视觉应用中，深度学习可以采用“观看”数千或数十万小时的相关视频或图像的形式，例如一辆蓝色汽车、过线的人或一只大狗。除了物体检测之外，深度学习还可以用于检测行为，例如人跑步或其他行为异常。我们在深度学习和由此产生的分析中学到的是，分析的准确性与所用数据集的质量成正比。
Brad McMullen - 3xLOGIC, Inc. 总经理
深度学习是机器学习的一个类别，它使用多层数据分析将数据转换为有用的信息。每个学习层都解决了一个更大的复杂问题的一小部分。该技术正在发展，但效率越来越低。正因为如此，深度学习将能够为包括安全行业在内的许多行业增加极大的价值。一个例子是图像/视频分析，它从视频源中提供深入的理解和洞察，例如安全协议、过程控制、人员流动、审计和合规性。在警报监控中，该技术学习模式、外部输入和历史活动，以减少误报和误派。用途包括音频和视频验证系统的噪声过滤和滋扰警报过滤。
在访问控制中，深度学习有助于理解建筑物内进入/退出位置的使用模式，例如占用管理、集合和合规以确保建筑物的安全区域。
Paule Brodeur - Genetec, Inc. 计算机视觉经理
人工智能的子学科之一包括神经网络研究。该研究使用结构化数据(以预定义方式组织或标记的数据)，分析输入和输出之间的关系以获得新见解。深度学习是神经网络的一种特殊形式，也适用于非结构化数据。深度学习令人兴奋的是，最近获得的准确度往往甚至超过了人类处理特定任务的能力。
在物理安全行业，深度学习可以帮助组织筛选数据并处理现实世界的解决方案，例如面部识别或人数统计。在 Genetec，我们正在使用深度神经网络来提高我们的 ALPR 系统的性能并添加诸如车辆类型和颜色之类的分析。我们还优化了人员检测功能以改进隐私保护和分析，例如人员计数器和入侵检测。
Aaron Saks - Hanwha Techwin America 产品和技术经理
作为人工智能的一个子集，深度学习使用神经网络对数据进行分析和分组，并根据模式进行预测。神经网络试图通过一组算法来模拟人脑。深度学习特别擅长处理非结构化数据，如视频或图像，它可以在学习过程的每个阶段以无监督的方式得出结论，而无需依赖人类。基于人工智能的深度学习相机不仅仅是相机，它们还是可以对企业收入产生积极影响的智能数据传感器。
在 Hanwha Techwin，我们在 AI 相机中使用深度学习来准确检测和识别物体，同时描述它们的独特属性。这可能是车辆的颜色和类型，或者一个人的衣服的大致年龄和颜色。全部潜力是巨大的，从增强的安全工作流程到生成可操作的业务和运营智能。
Justin Frints - Security & Safety Things事务副总裁
深度学习，有时也称为机器学习或人工智能，是一种强大的工具，可通过识别某些像素模式来增强我们从庞大的相机数据流中生成有价值信息的方式。如今的摄像头系统提供了多种用例，例如识别越线的人或检测车牌。因此，深度学习技术正在迅速变化和改进，但有不同程度的潜在用途。第一个是最简单的，也是当今大多数安全系统的所在——识别物体、人、动物、汽车，甚至识别汽车的类型或车牌上的字符。第二个层面是行为层面，可以检测到潜在的暴力、攻击行为等。第三个层次是故意行为或预防性行为，系统可以预测打架或盗窃的可能性。与回顾过去相比，预防事故的可能性是巨大的。
John Davies - TDSI董事总经理
整个安全行业刚刚走过理解阶段，AI和深度学习可以带我们走得更远。若干因素正在推动AI和深度学习，首先是世界上传感器产生的数据的爆炸和扩散 - 包括摄像机，访问控制和建筑管理系统。所有这些传感器都搅拌出数据24-7，现在我们开始使用软件系统来“挖掘”此数据。此挖掘正在从不同的筒仓之间的数据之间讨论迄今为止的关系，这是创造一些有趣的结果。然后使用算法来描述这些关系，并且这些关系又可以使用或者可以使用，以识别某些情况，因为事件发生或甚至预先发生。谈到威胁预测时，肯定会有少数群体报告!
总结
专家们的回答反映了对“深度学习”的定义和对改变物理安全市场的潜力的共同思想的共识，大家基本同意我们现在只在实施深度学习的承诺的早期阶段。深度学习作为一项令人兴奋的鸡，它的未来仍然存在更多的可能性，仅限于我们的想象力。
