“深度学习”最近成为物理安全行业的流行语之一，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，而这些好处现在才刚刚开始被理解和实现。但是我们如何区分营销炒作和现实呢？我们如何区分未来的潜力和当前的技术水平？为了阐明这项新技术的最新进展，我们本周召集了几位专家进行交谈：什么是“深度学习”？安全行业对其全部潜力的了解程度如何？BrianBaker-首席营收官，Calipsa深度学习是人工智能的一个子集，它使网络能够自我训练以执行语音、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曝光来自摄像机的人和车辆图像来学习做出预测。此功能非常适合在周边巡逻以寻找异常情况的无人机，或者非常适合可显着减少向中央监控站操作员报告的误报数量的软件。随着使用，该软件不断提高其准确性。这些网络之所以如此强大，是因为它们能够概括他们所学的概念，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、集成商和制造商了解AI深度学习的当前潜力。然而，我们可能还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。其次，预测行为的能力很可能只受限于我们的想象力。RebeccaWormleighton-首席运营官，Zendelity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，目标保持不变：提供准确的见解，所有这些都随着性的发展而增加价值和复杂性。从保护公司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。充分利用深度学习的潜力需要对业务有全面的了解。挑战在于，今天我们只拥有这些技术的一部分。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。SeanFoley-InterfaceSecuritySystemsLLC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，这使其成为安全行业的理想选择。它还可以在较少的人工监督下“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程序，消除可能导致代价高昂的漏报的误报。这项技术的全部潜力远远超出了安全性，因为这些设备可以提供对零售环境中消费者行为的强大洞察力，同时还提供可以简化工作流程的可操作的运营情报。我们才刚刚开始体验这项技术的好处，因此业界需要一些想象力才能真正了解它的潜力。就潜在用例和解决方案而言，未来是无限的。JohnCassise-RealNetworks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脑的某些生理学和功能，尽管这取决于我们自己的理解。Apple的Siri，包括语音变化并且看起来非常个性化，是深度学习的一个例子，而用我们的脸解锁我们的手机是另一个例子。目前，我们才刚刚开始涉足安全行业的深度学习和计算机视觉科学。很容易想象非接触式访问控制变得越来越普遍。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，变得更加主动而不是被动。这就是我们在维护便利性和用户隐私的同时提高安全性和公共安全性的方式。SanjayChalla-SalientSystems首席产品官深度学习是机器根据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，深度学习可以采取“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、一个人过线或一只大狗。除了物体检测之外，深度学习还可以用于检测行为，例如有人跑步或其他异常行为。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。BradMcMullen-3xLOGIC,Inc.总经理。深度学习是机器学习的一种，它使用多层数据分析将数据转化为有用的信息。每个学习层解决了一个更大的复杂问题的一小部分。技术在发展，但效率却越来越低。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巨大的价值。一个例子是图像/视频分析，它提供来自视频源的深刻理解和洞察力，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，以减少误报和错误调度。用途包括用于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，深度学习有助于了解建筑物内入口/出口位置的使用模式，例如占用管理、集合和合规性，以确保建筑物的安全区域。PauleBrodeur-Genetec,Inc.计算机视觉经理人工智能的一个分支学科包括对神经网络的研究。该研究使用结构化数据（以预定义方式组织或标记的数据）来分析输入和输出之间的关系，以获得新的见解。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，最近取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系统的性能并添加车辆类型和颜色等分析。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。AaronSaks-HanwhaTechwinAmerica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来分析和分组数据，并根据模式进行预测。神经网络试图通过一组算法来模仿人脑。深度学习特别擅长处理非结构化数据，例如视频或图像，它可以在学习过程的每个阶段以无监督的方式得出结论，而不需要依赖人类。人工智能驱动的深度学习相机不仅仅是相机，它们还是可以对业务收入产生积极影响的智能数据传感器。在HanwhaTechwin，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，或者一个人衣服的大概年龄和颜色。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。JustinFrints-安全与安全事务部副总裁深度学习，有时也称为机器学习或人工智能，是一种强大的工具，可以通过识别某些像素模式来增强我们从大量相机数据流中产生价值的方式。信息的方式。今天的摄像头系统服务于各种用例，例如识别越线人员或检测车牌。因此，深度学习技术正在迅速变化和改进，但具有不同程度的潜在效用。第一个是最简单的，也是当今大多数安全系统所在的位置——识别物体、人、动物、汽车，甚至汽车的类型或车牌上的字符。第二层是行为层，可以检测潜在的暴力、攻击行为等。第三层是蓄意或预防性行为，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。JohnDavies-TDSI常务董事整个安防行业刚刚过了认识阶段，AI和深度学习可以带我们走得更远。有几个因素正在推动人工智能和深度学习，首先是世界传感器产生的数据的爆炸式增长和扩散——包括摄像头、门禁控制和建筑管理系统。所有这些传感器都在7天24小时不间断地生产数据，现在我们开始使用软件系统来“挖掘”这些数据。到目前为止，这种挖掘正在讨论来自不同孤岛的数据之间的关系，这正在产生一些有趣的结果。然后使用算法来描述这些关系，而这些关系又可以被使用或可以被用来识别事件发生或什至预先发生的某些情况。说到威胁预测，肯定少不了少数派报告！总结专家的回应反映了对“深度学习”定义的共识以及对改变物理安全市场的潜力的共同看法，并且人们普遍认为我们现在只是在实施深度学习承诺的早期阶段。作为一个令人兴奋的领域，深度学习在未来还有更多的可能性，只限于我们的想象力。
