在全球范圍內，新一輪科技與產業革命加速襲來，人工智能成為其中一股強勁動力。人工智能已成為催生科研新范式、驅動產業轉型升級、激發經濟增長動能轉換的重要引擎。應用，算力和算法三個方面，已經深度融入安防行業的AI技術 。
AI+安防之應用：智能場景多樣化與智能需求精細化，軟件解決方案將成為主流
社會安全是城市建設以及國家發展的根本性決定因素，該領域對新技術的迫切需求超越了其他行業。而隨著安防數字化、網絡化的發展，視頻監控系統的規模日益擴大，監控數據量迅速增加，包含的信息數據更加豐富，已經超出了人力所能管理的范圍，必須要依賴先進的AI算法和強大的算力，進行各類海量數據的智能化分析，因此，安防行業的智能化轉型是技術發展的必經之路，勢在必行。 面對精細化和碎片化的AI應用，安防廠商普遍期待的AI安防項目標準化變得更為困難和不切實際，非標準的安防項目整體研發和執行周期長、產品和服務方案的復用率低，項目成本高，特別是大規模應用時，由于AI算法本身也還在持續不斷的迭代，算法更新更延長了交付時間和運維成本。因此，通過軟件解決，由軟件來定義安防產品，已經成為了明顯的趨勢。相比硬件而言，軟件具有高可擴展性，可持續集成，可持續部署的應用優勢。首先，在系統層面，安防廠家應盡可能將AI產品設定成通用平臺＋定制化開發的模式。 其次，要真正實現新的AI應用和平臺脫鉤，實現算法版本的不斷迭代，而不影響整體智能平臺的正常運維，需采用更加先進的軟件設計架構，如當前流行的微服務架構，通過將功能分解到各個離散的服務中，實現對整體AI解決方案的解耦，降低系統的耦合性，并提供更加靈活的服務支持； 最后，圍繞安防業務領域組件，來創建各定制化的AI應用，這些AI微服務可獨立地進行開發、管理和迭代。通過容器的方式，在通用平臺中部署、管理和服務功能，使產品交付變得更加簡單。AI+安防之算力：研發自主可控的芯片，國產化算力勢在必行
AI智能化水平的提高依賴于算力的快速增長，而AI算力的基本載體是一顆顆高度集成的芯片。隨著以AI+安防為代表的智能應用不斷推廣，AI算力需求平均三四個月就會翻一番，已經遠超芯片集成摩爾定律的增長速度，在已經與AI深度融合的安防行業中，AI芯片的快速迭代需求尤為迫切。 而另一方面，近年來美國企圖遏制我國科技產業的發展，對華實施技術封鎖，已經斷供了我國各大安防龍頭企業的芯片供給；特別是美國對我國上游國產芯片生產企業的直接制裁，使得國內安防芯片的生產中斷，各下游安防企業處于無芯可用的困難局面；在此背景下，研發生產自主可控的AI芯片，保障AI芯片供給，關乎著我國安防行業的命脈，已經成為當前AI+安防最重要的課題之一。 目前來看，國產終端側AI芯片，良莠不齊，在AI算力提供上，介于0.5Tops到8Tops之間，差別很大；各功能組件依賴與IP設計提供商，不具備對安防場景的定制化能力，缺少直接有力的技術支持；AI加速引擎的軟件工具鏈均不完善，對深度學習網絡的量化和優化支持不足，各廠家的加速引擎開發軟件也完全不具備通用性。諸多問題，不僅使得AI算法在端側的開發周期遲滯，部署實現困難，甚至出現了AI迭代產品的各項性能指標倒退的狀況。 在智能云側的AI芯片，則以通用圖形處理器（GPU）為算力代表，作為橫跨圖像顯示、視覺計算和人工智能計算的通用平臺，GPU擁有巨大的市場前景；特別是隨著人工智能技術的發展，GPU作為AI核心算力基礎，在科學計算、自動駕駛、智能分析、大數據等云端計算領域有著海量的應用空間。目前，國產GPU芯片設計廠家也不斷涌現出來，正招兵買馬，力求替代國外先進GPU芯片算力。 盡管如此，目前的國產GPU雖然可滿足目前大多數圖形應用需求，但在科學計算、人工智能方面仍然和國外領先水平存在較大差距，特別是國際上GPU的領頭企業已經對AI算力的開發生態耕耘多年，很多深度學習的加速庫都是基于其底層加速，并且是與其特定硬件深度綁定，這成為了國內新興GPU公司難以撼動的壁壘。GPU芯片的競爭不僅僅是簡單的半導體設計之爭，更是AI算力的生態之爭。國產AI芯片企業在努力提升產品性能同時，更需關注芯片生態的建設和完善，在進行GPU芯片推廣時，不僅要強調芯片的高超性能，還要強調對應AI支撐軟件的易用性，兼容性和可移植性。AI+安防之算法：向低層次圖像處理拓展，向小樣本自訓練延伸
人工智能算法是AI+安防的根本原動力。我們可以按低層次，中層次，和高層次三個級別對AI算法在安防中的應用進行分類： 低層次的AI算法，主要對監控視頻圖像在像素級別進行各種加工修復，以改善視覺效果、突出有用信息，或是通過有效編碼以減少對其所需存儲空間或傳輸帶寬的要求；中等層次的AI算法，主要對視頻圖像中感興趣的目標進行檢測、分割和分析，從而建立對感興趣目標的客觀描述； 而高層次的AI算法，則是在中級AI算法的基礎上，進一步研究視頻圖像中各目標的性質和它們之間相互的聯系，得出對視頻圖像內容含義的解釋，從而真正達到智能理解場景，指導人工行動的目的。 過去大量的AI+安防算法，主要集中于中高層次的圖像分析與理解而忽視了低層次圖像處理這一方向； 近兩年來，低層次AI圖像增強、超分、恢復等算法，已經開始得到了業界的重視。如最近出現的AI超微光算法，就是針對這一低層次圖像處理要求，運用神經網絡完成輸入圖像到輸出圖像端到端的非線性映射，通過對應用場景目標圖像要求的提煉，針對性的進行數學建模，在提升圖像亮度的同時，還能充分還原物體顏色與紋理等細節信息，完全革新了傳統夜視監控產品的成像技術；又如由AI加持的ISP技術，已經在多個安防廠商的產品中開始出現，并且開始在芯片設計層面逐步替代傳統ISP算法鏈；此外，利用AI算法進行編碼器的性能和壓縮比優化，也是近來學術界和工業界研究的一大熱點。 另一個安防智能算法發展的趨勢，是力圖擺脫對大規模海量數據的依賴。毫無疑問，基于深度學習的現代人工智能算法，在原理上需要大量的數據進行訓練。但是，隨著公眾對隱私認知的提高，我國對于個人信息的保護力度不斷加大，先后密集出臺了一系列的法律法規、國家標準文件以及其他規范性文件，以前各安防廠家對數據予取予求的狀況已經不復存在。 而與此同時，由于場景的碎片化和需求的廣泛化，對特定數據的大量采集和標定，一則需要大量的人力物力，二則需要漫長的數據準備和清洗時間，這與和希望敏捷部署的AI應用需求格格不入。因此，是否能僅利用少量帶標簽的數據來訓練得到一個可用的深度學習模型，已經成為AI算法能否在安防行業進一步深入發展的重要問題，引起了學術界和工業界的高度關注。目前，學術界中較為前沿的小樣本學習，弱監督學習與自監督學習方向，均已經開始在各安防AI算法中率先得到應用，各種不依賴海量數據訓練模型的方法正被大量試驗；例如，可利用先驗知識來增強監督數據；可利用先驗知識來縮小模型假設空間的大小；或是利用先驗知識來改進最優假設搜索等等，這些新的AI算法思路，都已成為各安防廠家重點研究的對象。 為了進一步減少對數據，特別是敏感數據的需求，在AI算法的工程部署上，不少安防廠家也提出了另一種新的思路，就是設計一個自學習平臺，與只用少量樣本訓練完成的AI算法，一同部署到用戶現場；在現場，直接利用自學習平臺和敏感的用戶數據，閉環進行學習，持續對算法進行迭代，這一方案，即避免了數據的無序泄露，又能保證算法對現場實際場景的適應性，正逐漸得到部分對數據安全要求極高的用戶的認可。--注：本文來源于網絡，如有侵權行為，請聯系我們，平臺會及時刪除。
400-915-5885