深度學(xué)習(xí)是機器學(xué)習(xí)中一種基于對數(shù)據(jù)進行表征學(xué)習(xí)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(xué)習(xí)任務(wù)(例如，人臉識別或面部表情識別)。深度學(xué)習(xí)的好處是用非監(jiān)督式或半監(jiān)督式的特征學(xué)習(xí)和分層特征提取高效算法來替代手工獲取特征。
 
　　深度學(xué)習(xí)是機器學(xué)習(xí)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(xué)習(xí)的神經(jīng)網(wǎng)絡(luò)，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(yīng)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?，F(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(yīng)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(yīng)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(xué)習(xí)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(xué)習(xí)方法，深度學(xué)習(xí)在各個應(yīng)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(yīng)用產(chǎn)生，包括：營銷，供應(yīng)鏈，預(yù)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(xué)習(xí)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(xué)習(xí)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(xué)習(xí)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(xué)習(xí)相比深度學(xué)習(xí)可以把機器學(xué)習(xí)中的各個部分合成一個整體結(jié)構(gòu)，通過統(tǒng)一的訓(xùn)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(xué)習(xí)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(xué)習(xí)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(xué)習(xí)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(yīng)的目標屬性。
 
　　深度學(xué)習(xí)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(xué)習(xí)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(yù)處理之后，通過提取特定的特征并對特征值進行訓(xùn)練，最后得到分類器，進行識別。深度學(xué)習(xí)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(xùn)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(xué)習(xí)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(yīng)用提供的更多的數(shù)據(jù)支撐。