智慧城市网

　　【中国安防展览网 企业关注】近日，市场研究&咨询公司GrandViewResearch发布了一份深度学习市场分析报告。报告表明，2016年深度学习市场估值为2.72亿美元，其在自动驾驶和医疗行业的应用越来越多，有望为行业增长做出突出贡献。这项技术的崛起得益于数据驱动的复杂应用，包括语音和图像识别，它可以和其他技术一起克服大数据量和高计算能力的挑战以及改进数据存储。
 

　　放眼现在，深度学习人脸识别已经取得了阶段性的成功；展望未来，技术与应用有广阔的发展空间，同时也存在一些问题需要解决。
 

　　1.数据为王
 

　　深度学习三要素——算法、硬件、数据中，前两者的壁垒在逐渐降低，而数据的差异显得愈来愈突出。对人脸识别而言，掌握数据入口，形成算法--产品--数据--算法的闭环生态是未来致胜的关键。同时，海量数据的分析处理将会是一个重要的研究课题。
 

　　2.前端智能化与云端智能化
 

　　GPU及各种深度学习芯片的出现使得设备计算能力大幅增强，同时随着手机、智能家居等设备的普及，越来越多的智能化会在前端与云端完成。如大华推出的深度学习人脸相机，支持人脸检测、关键点定位、属性分析等功能，结构化信息大大降低了海量数据的存储与分析成本。大华的人脸识别云服务器采用新的GPU架构，可以达到传统CPU服务器几十倍的计算能力，以更低成本满足更多地用户需求。
 

　　3.安全与隐私
 

　　在数据呈指数级增长的今天，数据安全与隐私问题显得格外重要。人脸识别系统将面对照片、视频、面具等各种各样的欺诈攻击，人脸特征在传输、存储过程中会受到黑客及其他不法分子的威胁，用户在享受深度学习带来的便利同时，也会非常关注自己的数据是否存在被盗用、传播等风险。在数据安全与隐私方面，我们需要从活体检测、数据加密等技术上加强研究与防范。
 

　　4.标准化
 

　　目前行业内厂商众多，用户往往需要根据自己的需求组建系统，从底层的芯片到上层的应用，都需要考虑标准化的问题来增加不同模块间的兼容。
 

　　原标题  基于深度学习的人脸识别技术发展趋势与问题