“中国（上海）国际人工智能展览会”由中国高科技产业门户OFweek微科网、Hi -科技协会，由OFweek人工智能网主办。
“OFweek（第二届）国际人工智能产业大会”于8月30日至9月1日在上海成功举办。
本届展会形式多样，大咖云集。
第一天主论坛有关AI技术的演讲异常精彩。
香港科技大学机器人学院院长、IEEE院士王宇、深圳云天励飞首席项目总监王军等专家或企业代表出席了会议，为会议增添了不一样的风采。
其中，宇视科技人工智能产品线总工程师李从廷发表主题演讲，介绍了安防行业的网络化、高清化、智能化三大变革，重点关注现阶段的智能化。
转型阶段。
首先简单介绍了网络化和高清化，然后提出了智能安防阶段的一个热门研究领域——人脸识别。
举出公安、教育、机场、新零售等例子，证明人脸识别的实际落地已经渗透到很多细分行业。
此外，李从廷先生认为，虽然人脸识别技术在安防领域已经很完善，但仍面临诸多挑战。
首先，相关算法无法实现100%正确报警。
其次，成像方面存在挑战。
三是技术含量不足。
高，设计与实际实现偏差较大。
最后提出智能交通，指出智能交通是安全人工智能的一个主要方向，并引出了安全人工智能的三个展望。
李从亭先生 以下为李从亭先生现场演讲内容。
OFweek编辑在不改变原意的情况下进行了整理编辑：朋友们下午好，我是宇视科技的李聪婷。
今天下午给大家分享的主题是安全AI应用。
现状与前景。
熟悉安防的朋友可能知道，安防行业总共经历了三个变革，即网络化、高清化、智能化。
其中网络化、高清化是已经完成的改变，而智能化是我们目前正在经历的改变，也是我们这次分享的重点。
温故知新，我们先简单回顾一下前两次的变化到底发生了什么？网络，大约是在那个时候发生的。
当时安防行业的现状是监控室。
监控系统的规模通常是几十个通道，最多可能是几百个通道。
换句话说，各个监控系统之间无法进行通信。
在安全的城市里，没有办法在一个地方看到城市各个角落的视频。
因此，当时的一个技术突破就是将IT技术应用到安防领域，将一个城市数十万个摄像头互联起来。
然后我们后来转向高清。
我刚才提到的网络解决了看不见的问题。
高清需要解决的问题是视力不清晰的问题。
在高清出现之前，我们标清视频的分辨率只能达到×。
而事实上，很多视频监控系统的尺寸可能只有×。
在这样的分辨率下，我们怎样才能看清人脸和车牌呢？随着三色镜头编解码技术的快速迭代，我们已经快速进入高清时代。
经过几年的发展，10000分辨率已经非常普及，并成为行业标准。
在一些中高端应用中，分辨率达到10000、10000甚至更高。
那么这两个变化有什么共同点呢？我认为有两点。
第一点是技术突破。
网络是IT技术在安全方面的应用。
高清是镜头三色编解码等技术的快速发展。
二是共性，这是产业链、行业的洗牌。
十年前，安防行业厂商众多，其中包括十几家国外品牌，以及大量的中小型设备提供商和解决方案提供商。
如今，国外品牌安防厂商已基本退出中国大陆市场，中小企业数量也在逐年下降。
从总体上看，这次智能革命其实和前两次非常相似。
首先，有一个技术拐点，就是大家熟知的深度学习技术的出现。
其次，这从某种意义上来说也是一次行业洗牌。
对于能够跟上技术迭代并大力投资技术的制造商来说，这可能是一个机会。
对于无法跟上这种技术迭代的制造商来说，最终将被淘汰。
那么在这个智能化的时代，前两次的网络化、高清化就打下了非常好的基础，使得这些我们过去看不清、看不见的图像变得清晰可见。
图像。
在安全智能的革命中，最热门的事情之一就是人脸识别。
人脸识别已成为安防AI最热门、最重要的应用方向。
为什么要进行人脸识别？我认为首先，安全市场对面部识别的渴望太久了。
过去几十年并不是没有人识别这个东西，但是它确实不好用，甚至在一定程度上伤害了我们的用户。
甚至有一段时间大家都认为人脸识别是一个骗局，但随着深度学习技术的出现，它发生了质的变化。
人脸识别的识别率有了巨大的提升，而这个提升过程中所花费的时间非常短。
当然，深度学习技术并不是这几年才出现的，只是这几年才真正在安全上得到落地，并开始大规模应用。
人脸识别技术已经渗透到安防行业的各个细分领域。
以警察为例，动态黑名单部署、现代数据库中的人脸比对、轨迹碰撞等都是非常流行的应用。
以教育行业为例，过去我们对人员、学生、宿舍学校人员的控制基本上都是手动控制。
现在我们很多高校都安装了人脸快速闸机，也就是具有人脸识别功能的闸机。
另外，在机场，我们对身份证的验证过去都是手动完成的。
现在机场、高铁基本上都是用机器进行识别。
另一个例子是新零售。
我们可以应用人脸识别技术来提供VIP识别，我们还可以做很多业务分析。
那么面部识别技术在安全方面已经很完善了吗？已经很成熟了吗？我认为这还远远不够。
目前我认为它还处于起步阶段。
我们来看看人脸识别。
当前存在哪些问题和挑战？首先，第一个是算法。
该算法无法实现100%正确报警。
我们会漏掉阴性和误报。
事实上，有些漏报和漏报是很难通过算法解决的。
但客户的期望是百分之一百的。
所以这是我们面临的第一个挑战。
第二个挑战来自成像。
当我们给客户做演示时，我们通常会向他们展示我们最好的一面。
然而，在实际应用中，我们可能会遇到各种复杂的情况，比如宽动态问题、严重背光情况等。
下面，脸部很可能太黑或曝光过度。
这个时候，如果我们一味地纯粹依靠算法来解决问题，显然这条路是不对的。
那么晚上应该做什么呢？很多时候在晚上，自然环境光不足，此时我们的脸部可能就看不清楚了。
于是我们想到安装补光灯，可以弥补自然光的不足，但不能打在人脸上。
为什么？因为它直接照在你的脸上，对于普通人来说，你会觉得这个东西非常刺眼，但是对于犯罪分子来说，它就相当于一个预警，提前告诉你，这个地方很可能会逮捕你，他们就会避开。
。
镜头，所以这是我们要解决的一个问题。
还有一个问题。
人脸识别对安装工程有相对规范的要求，但实施起来有一定难度。
比如我们去装修家里的时候，我们可以设计得非常清晰，把每一个开关、每一个螺丝都细节化。
但最终，如果你让工人完成装修，当你再看的时候，你可能会看到和你最初想象的很不一样。
同样，在安全领域的项目实施中，在实施过程中也往往容易出现一些违规行为，最终导致效果不佳。
还有一个问题。
上述三点实际上是首要问题。
正如后面提到的，这是一个整体性的问题。
人脸识别用于安防，但演示容易，实施困难。
我们认为，在实施安全人工智能的过程中，需要克服三个障碍。
第一个坎是核心技术的突破。
我相信很多企业已经迈过了这个坎。
现在在人脸识别领域，大多数公司都迭代到了深度学习，使用了新的算法；那么第二个坎是示范实施的坎，或者说是一个小坎。
实现规模化的障碍是许多公司已经克服的；第三个难关是规模化，这个难关并不容易克服。
几十条道路的规模和几千甚至几万条道路的规模是不一样的。
面临的挑战完全不同。
在大规模实施中，我们不仅要解决算法问题、人工智能问题，还可能要解决网络平台、大数据、云存储、硬件产品等。
我们需要一一解决这些问题。
其次，建设成本高。
安防客户对成本非常敏感，安防AI目前多应用于高端市场。
在高端市场，其价格也高于非AI产品。
其设备的成本可能是其两倍甚至更多。
因此，我们需要通过不断的产品迭代来降低价格门槛，但质量当然不能降低。
还有一个问题是我们很多厂家都困扰的。
根据个人需求进行场景定制。
比如人脸识别的1:1比较只是1:1比较。
理论上我们可以提供一类产品，但实际上在实施过程中，我们可能针对公安、司法、教育、机场等不同的场景，硬件产品的形态也可能完全不同。
同样，软件需求也会有很大差异。
作为设备和方案厂商，或者AI算法厂商，不可能做这么多的应用。
该怎么办？或者说我们如何抽象一些基本组件。
人脸识别在安防领域如此火爆，以至于长期以来，大家都有一个误区，认为安防AI就等于人脸识别。
事实上，人脸识别只占安防AI应用的1/4。
那么，另外的 3/4 是什么呢？首先不得不提的是智能交通。
事实上，16年前，智能交通其实是安防AI的主要方向。
然而，由于汽车是钢制车身，因此使用传统的CV方法我们可以获得相对实用或高精度的结果。
我们的车牌识别率可以达到99.9%。
利用传统的CV方法和深度学习技术，将其引入智能交通领域是量变，而不是质变。
因此，在当前的安防AI中，可能很容易忽视其技术迭代和进步之一，以及视频结构化的应用。
你可能会觉得奇怪，我们能清楚地看到面孔、识别面孔、看到车牌。
为什么？我们还需要识别人体并构造这样的小型人体和车辆。
我们思考一个问题，人脸识别的进入条件是什么？我们认为，要达到比较好的识别率，人脸的像素必须达到80像素以上，或者瞳距必须大于40像素。
那么容量为10000的摄像机，监控宽度是多少呢？大约三米。
那么对于用户来说，建设成本相当高，而且不可能既无盲区覆盖监控场景，又能够看清人脸。
这是一个矛盾，而且这个矛盾可能会持续很多年。
无法协调和解决。
所以我们在关键出入口的时候，需要建设人脸卡口和车辆卡口。
但从监控无盲点覆盖的角度来看，我们还需要沿着传统视频监控覆盖的场景范围继续建设。
那么这么多海量视频，单纯靠手动观看显然是不现实的。
因此，我们需要对其视频内容进行分析，并对其进行结构化的描述。
是汽车吗？一个人？男人？女士？衣服颜色？我们需要通过图像来寻找他。
我们可以选择一个人，然后通过摄像头搜索，找到他的轨迹，快速定位到这个人。
这是视频结构化的应用。
还有另一类应用程序是行为分析应用程序。
过去，传统的CV方法和这些检测算法用于周界入侵防御的效果并不理想，误报较多。
那么利用目前的深度学习技术就可以大大减少误报。
这也是行为分析产品的质变和产品替代。
那么我们简单谈谈我们对安全未来的看法。
首先，我认为安全AI的竞争将从三要素演变为六要素。
事实上，过去几年业界对于这三个要素已经达成了共识。
算法数据算力缺一不可，非常重要。
但我们认为这还远远不够。
因为在大规模落地的过程中，你需要有高性价比的产品，而给用户的只是一个认可度，而这是用户无法获得的。
用户需要行业应用的业务，所以我们需要解决方案，也需要工程规范。
没有一个好的产品，最终客户拿到并安装后，它就会是一个不好的产品。
那么第二个展望是我们认为边缘AI的需求旺盛，这将带动AI产品的快速推出。
为什么是边缘？因为边缘的数量最多，比中心设备的数量多数百甚至数千倍。
这是第一点。
其次，其建设成本最低。
无需将海量视频全部发送回中心进行智能分析。
这并不是说中心不需要，而是边缘的用量最大，边缘更有利于安防产业的快速发展。
第三个展望，我认为，未来的安全AI将是多点的技术迭代。
为什么强调多点？而不是单点，因为过去单点强调算法，未来可能会进入到每一个点的改进，从而达到整体的提升。
首先，我们认为镜头、传感器和ISP需要改进，这与成像密切相关。
其次，我们认为AI处理芯片需要改进，AI芯片的摩尔定律在未来几年肯定会持续下去。
以前我们说AI芯片的算力可以达到1T时我们会感到惊讶，但现在30T甚至更高已经很常见了。
然后我们认为背面的摄像头将成为物联网的网关。
它不仅具有视觉功能，还具有传感器和可能的语音交互等多种功能。
它需要模仿人，它是双重的目的，他需要有深度的信息。
当然，近距离不一定是双目。
那么我们相信AI算法会不断迭代，但是算法可能需要改进两点，但是计算能力可能会提高一倍或者三倍，这是很有可能的。
那么算法上还有一个趋势，可能是从人脸识别开始。
达到人体识别的目的。
还有一点就是云和边缘的结合非常重要。
边缘可能做更多结构化的事情，而云则做更多结构化的信息集成、数据挖掘、数据分析和业务应用。
将点数据串在一起。
我们简单介绍一下Uniview的解决方案之一。
它推出了名为UniAI的全集成人工智能智能解决方案。
这很容易理解。
我们把所有的前端智能、后端智能和其他智能都管理在一起，针对不同的场景提供不同的应用和产品，但又是统一的、统一的。
那么我们的六大要素就得到了充分的发挥。
那么我们这里就说说我们的软件能力吧。
IMOS是我们在安全方面推出的多媒体操作系统，我们已经迭代了十年。
目前，在智能化时代，我们也集成了很多智能化的功能和解决方案。
我们可以调度所有云端设备GPU来平衡资源的负载。
同时我们也有一个开放的生态系统，把定制化的需求留给一些本土的中小企业集成商，当然我们也会跟他们分享一部分利润。
那么我们目前的宇视智能解决方案已经在很多领域得到了应用，比如很多大学，很多平安城市等等，由于时间关系，以上是我的分享。
非常感谢。
如果有一些技术交流，我们可以下来再交流。
谢谢。