在安防領域，近年來深度學習的技術，非常大的數據量和計算量可以擴張地使用，超過了我們的想象。同時我們也對人所謂的智力，當時有一些錯誤的幻想，實際上深度學習的成長非常的快速，它可以在安防領域得到非常好的應用。

　　深度學習作為機器學習研究中的一個領域，其動機在于建立、模擬人腦進行分析學習的神經網絡，它模仿人腦的機制來解釋數據，例如圖像、聲音和文本等。目前，深度學習的應用領域中大約有70%都在圖像識別方面，結合安防領域的現狀，這就意味著，深度學習在這一領域必然會有顛覆性的發展。隨著大數據與高清攝像機應用的普及，安防大數據時代已經到來，海量高清及以上分辨率視頻數據給安防產品技術帶來了大數據，這也就成為深度學習在安防領域必將快速發展的肥沃土壤。

　　在安防行業，涉及的數據信息類型越來越多。其中，99%以上的數據，包括監控視頻錄像、報警錄像、車輛卡口圖片、人臉抓拍圖片等都是非結構化的，要想對這數據進行進一步分析，做到“數為人所用”，就需要將非結構化的數據結構化。和以往的傳統智能算法相比，深度學習可以像人類大腦一樣搜集信息，并將這些信息轉化為相應的行為，在解決視頻結構化問題方面更“智能”。

　　在今年北京安博會開幕的前一天，海康威視舉行了新品發布會，發布了基于深度學習技術的從前端到后端全系列智能安防產品，新品涵蓋“深眸”系列智能攝像機、“神捕”系列智能交通產品、“超腦”系列智能NVR、“臉譜”系列人臉分析服務器等。

　　宇視科技

　　和以往的傳統智能算法相比，深度學習可以像人類大腦一樣搜集信息，并將這些信息轉化為相應的行為，在解決視頻結構化問題方面更“智能”。

　　在安博會現場，宇視基于Movidius+NVIDIA芯片全球戰略首發的深度學習人臉識別攝像機、深度學習智能交通抓拍機、深度學習USB智能棒、“昆侖”結構化智能分析服務器、智能存儲融合一體化設備等均有展示。　

　　初看之下，深度學習似乎是一種萬能的方法，什么問題都能夠輕松解決，然而就深度學習的具體應用而言，目前依然存在三大主要難題：第一是大數據標定的問題，深度學習領域的一句流行語——“誰掌握著數據誰就掌握著市場”，就充分地說明了這一點；第二是計算量過大的問題，在具體應用中隨著數據和網路層次的增加，不僅訓練花費的時間在大幅增加，測試時間也在增加，在具體應用中很難實現前端化和實時化；第三是訓練收斂問題，以在圖像識別中應用最多的卷積神經網絡(CNN)為例，目前已經出現了幾百層的網絡結構，訓練過程中一般采用梯度下降的方法，這一過程中如果層數過多，數據初始化不合理就很容易不收斂。