在全球范围内，新一轮科技与产业革命加速袭来，人工智能成为其中一股强劲动力。人工智能已成为催生科研新范式、驱动产业转型升级、激发经济增长动能转换的重要引擎。应用，算力和算法三个方面，已经深度融入安防行业的AI技术 。
AI+安防之应用：智能场景多样化与智能需求精细化，软件解决方案将成为主流
社会安全是城市建设以及国家发展的根本性决定因素，该领域对新技术的迫切需求超越了其他行业。而随着安防数字化、网络化的发展，视频监控系统的规模日益扩大，监控数据量迅速增加，包含的信息数据更加丰富，已经超出了人力所能管理的范围，必须要依赖先进的AI算法和强大的算力，进行各类海量数据的智能化分析，因此，安防行业的智能化转型是技术发展的必经之路，势在必行。 面对精细化和碎片化的AI应用，安防厂商普遍期待的AI安防项目标准化变得更为困难和不切实际，非标准的安防项目整体研发和执行周期长、产品和服务方案的复用率低，项目成本高，特别是大规模应用时，由于AI算法本身也还在持续不断的迭代，算法更新更延长了交付时间和运维成本。因此，通过软件解决，由软件来定义安防产品，已经成为了明显的趋势。相比硬件而言，软件具有高可扩展性，可持续集成，可持续部署的应用优势。首先，在系统层面，安防厂家应尽可能将AI产品设定成通用平台＋定制化开发的模式。 其次，要真正实现新的AI应用和平台脱钩，实现算法版本的不断迭代，而不影响整体智能平台的正常运维，需采用更加先进的软件设计架构，如当前流行的微服务架构，通过将功能分解到各个离散的服务中，实现对整体AI解决方案的解耦，降低系统的耦合性，并提供更加灵活的服务支持； 最后，围绕安防业务领域组件，来创建各定制化的AI应用，这些AI微服务可独立地进行开发、管理和迭代。通过容器的方式，在通用平台中部署、管理和服务功能，使产品交付变得更加简单。AI+安防之算力：研发自主可控的芯片，国产化算力势在必行
AI智能化水平的提高依赖于算力的快速增长，而AI算力的基本载体是一颗颗高度集成的芯片。随着以AI+安防为代表的智能应用不断推广，AI算力需求平均三四个月就会翻一番，已经远超芯片集成摩尔定律的增长速度，在已经与AI深度融合的安防行业中，AI芯片的快速迭代需求尤为迫切。 而另一方面，近年来美国企图遏制我国科技产业的发展，对华实施技术封锁，已经断供了我国各大安防龙头企业的芯片供给；特别是美国对我国上游国产芯片生产企业的直接制裁，使得国内安防芯片的生产中断，各下游安防企业处于无芯可用的困难局面；在此背景下，研发生产自主可控的AI芯片，保障AI芯片供给，关乎着我国安防行业的命脉，已经成为当前AI+安防最重要的课题之一。 目前来看，国产终端侧AI芯片，良莠不齐，在AI算力提供上，介于0.5Tops到8Tops之间，差别很大；各功能组件依赖与IP设计提供商，不具备对安防场景的定制化能力，缺少直接有力的技术支持；AI加速引擎的软件工具链均不完善，对深度学习网络的量化和优化支持不足，各厂家的加速引擎开发软件也完全不具备通用性。诸多问题，不仅使得AI算法在端侧的开发周期迟滞，部署实现困难，甚至出现了AI迭代产品的各项性能指标倒退的状况。 在智能云侧的AI芯片，则以通用图形处理器（GPU）为算力代表，作为横跨图像显示、视觉计算和人工智能计算的通用平台，GPU拥有巨大的市场前景；特别是随着人工智能技术的发展，GPU作为AI核心算力基础，在科学计算、自动驾驶、智能分析、大数据等云端计算领域有着海量的应用空间。目前，国产GPU芯片设计厂家也不断涌现出来，正招兵买马，力求替代国外先进GPU芯片算力。 尽管如此，目前的国产GPU虽然可满足目前大多数图形应用需求，但在科学计算、人工智能方面仍然和国外领先水平存在较大差距，特别是国际上GPU的领头企业已经对AI算力的开发生态耕耘多年，很多深度学习的加速库都是基于其底层加速，并且是与其特定硬件深度绑定，这成为了国内新兴GPU公司难以撼动的壁垒。GPU芯片的竞争不仅仅是简单的半导体设计之争，更是AI算力的生态之争。国产AI芯片企业在努力提升产品性能同时，更需关注芯片生态的建设和完善，在进行GPU芯片推广时，不仅要强调芯片的高超性能，还要强调对应AI支撑软件的易用性，兼容性和可移植性。AI+安防之算法：向低层次图像处理拓展，向小样本自训练延伸
人工智能算法是AI+安防的根本原动力。我们可以按低层次，中层次，和高层次三个级别对AI算法在安防中的应用进行分类： 低层次的AI算法，主要对监控视频图像在像素级别进行各种加工修复，以改善视觉效果、突出有用信息，或是通过有效编码以减少对其所需存储空间或传输带宽的要求；中等层次的AI算法，主要对视频图像中感兴趣的目标进行检测、分割和分析，从而建立对感兴趣目标的客观描述； 而高层次的AI算法，则是在中级AI算法的基础上，进一步研究视频图像中各目标的性质和它们之间相互的联系，得出对视频图像内容含义的解释，从而真正达到智能理解场景，指导人工行动的目的。 过去大量的AI+安防算法，主要集中于中高层次的图像分析与理解而忽视了低层次图像处理这一方向； 近两年来，低层次AI图像增强、超分、恢复等算法，已经开始得到了业界的重视。如最近出现的AI超微光算法，就是针对这一低层次图像处理要求，运用神经网络完成输入图像到输出图像端到端的非线性映射，通过对应用场景目标图像要求的提炼，针对性的进行数学建模，在提升图像亮度的同时，还能充分还原物体颜色与纹理等细节信息，完全革新了传统夜视监控产品的成像技术；又如由AI加持的ISP技术，已经在多个安防厂商的产品中开始出现，并且开始在芯片设计层面逐步替代传统ISP算法链；此外，利用AI算法进行编码器的性能和压缩比优化，也是近来学术界和工业界研究的一大热点。 另一个安防智能算法发展的趋势，是力图摆脱对大规模海量数据的依赖。毫无疑问，基于深度学习的现代人工智能算法，在原理上需要大量的数据进行训练。但是，随着公众对隐私认知的提高，我国对于个人信息的保护力度不断加大，先后密集出台了一系列的法律法规、国家标准文件以及其他规范性文件，以前各安防厂家对数据予取予求的状况已经不复存在。 而与此同时，由于场景的碎片化和需求的广泛化，对特定数据的大量采集和标定，一则需要大量的人力物力，二则需要漫长的数据准备和清洗时间，这与和希望敏捷部署的AI应用需求格格不入。因此，是否能仅利用少量带标签的数据来训练得到一个可用的深度学习模型，已经成为AI算法能否在安防行业进一步深入发展的重要问题，引起了学术界和工业界的高度关注。目前，学术界中较为前沿的小样本学习，弱监督学习与自监督学习方向，均已经开始在各安防AI算法中率先得到应用，各种不依赖海量数据训练模型的方法正被大量试验；例如，可利用先验知识来增强监督数据；可利用先验知识来缩小模型假设空间的大小；或是利用先验知识来改进最优假设搜索等等，这些新的AI算法思路，都已成为各安防厂家重点研究的对象。 为了进一步减少对数据，特别是敏感数据的需求，在AI算法的工程部署上，不少安防厂家也提出了另一种新的思路，就是设计一个自学习平台，与只用少量样本训练完成的AI算法，一同部署到用户现场；在现场，直接利用自学习平台和敏感的用户数据，闭环进行学习，持续对算法进行迭代，这一方案，即避免了数据的无序泄露，又能保证算法对现场实际场景的适应性，正逐渐得到部分对数据安全要求极高的用户的认可。--注：本文来源于网络，如有侵权行为，请联系我们，平台会及时删除。
400-915-5885