在安防领域，近年来深度学习的技术，非常大的数据量和计算量可以扩张地使用，超过了我们的想象。同时我们也对人所谓的智力，当时有一些错误的幻想，实际上深度学习的成长非常的快速，它可以在安防领域得到非常好的应用。

　　深度学习作为机器学习研究中的一个领域，其动机在于建立、模拟人脑进行分析学习的神经网络，它模仿人脑的机制来解释数据，例如图像、声音和文本等。目前，深度学习的应用领域中大约有70%都在图像识别方面，结合安防领域的现状，这就意味着，深度学习在这一领域必然会有颠覆性的发展。随着大数据与高清摄像机应用的普及，安防大数据时代已经到来，海量高清及以上分辨率视频数据给安防产品技术带来了大数据，这也就成为深度学习在安防领域必将快速发展的肥沃土壤。

　　在安防行业，涉及的数据信息类型越来越多。其中，99%以上的数据，包括监控视频录像、报警录像、车辆卡口图片、人脸抓拍图片等都是非结构化的，要想对这数据进行进一步分析，做到“数为人所用”，就需要将非结构化的数据结构化。和以往的传统智能算法相比，深度学习可以像人类大脑一样搜集信息，并将这些信息转化为相应的行为，在解决视频结构化问题方面更“智能”。

　　在今年北京安博会开幕的前一天，海康威视举行了新品发布会，发布了基于深度学习技术的从前端到后端全系列智能安防产品，新品涵盖“深眸”系列智能摄像机、“神捕”系列智能交通产品、“超脑”系列智能NVR、“脸谱”系列人脸分析服务器等。

　　宇视科技

　　和以往的传统智能算法相比，深度学习可以像人类大脑一样搜集信息，并将这些信息转化为相应的行为，在解决视频结构化问题方面更“智能”。

　　在安博会现场，宇视基于Movidius+NVIDIA芯片全球战略首发的深度学习人脸识别摄像机、深度学习智能交通抓拍机、深度学习USB智能棒、“昆仑”结构化智能分析服务器、智能存储融合一体化设备等均有展示。　

　　初看之下，深度学习似乎是一种万能的方法，什么问题都能够轻松解决，然而就深度学习的具体应用而言，目前依然存在三大主要难题：第一是大数据标定的问题，深度学习领域的一句流行语——“谁掌握着数据谁就掌握着市场”，就充分地说明了这一点；第二是计算量过大的问题，在具体应用中随着数据和网路层次的增加，不仅训练花费的时间在大幅增加，测试时间也在增加，在具体应用中很难实现前端化和实时化；第三是训练收敛问题，以在图像识别中应用最多的卷积神经网络(CNN)为例，目前已经出现了几百层的网络结构，训练过程中一般采用梯度下降的方法，这一过程中如果层数过多，数据初始化不合理就很容易不收敛。