为什么更智能的边缘将在 2019 年激发计算机视觉的新应用

2018 年，计算机视觉能力取得了巨大进步。物体检测和面部识别的准确性不断提高，基于最先进的深度学习技术（包括卷积和循环神经网络）的现成选项的数量不断增加。改进是有代价的——增加了技术的复杂性和处理要求。例如，流行的物体识别模型 YOLOV3 具有 106 层全卷积底层架构，比之前的版本增加了一倍多。其他模型（例如 RetinaNet 和 SSD 变体）也在准确性方面取得了巨大进步，但同样以增加复杂性和降低性能为代价。

紧跟新需求

虽然先进计算机视觉技术的复杂性和计算要求不断增加，但需要将这些技术应用于越来越多的高分辨率实时视频流。视频监控摄像头的数量正在以惊人的速度增长，人们期望它们提供主动情报。无源视频系统已不再足够。很简单，相机需要更加智能。

推出先进的机器学习技术的现实需要一种新的思考实现方式。将全分辨率视频流式传输到云端进行处理非常昂贵，需要太多带宽，并且会引入高延迟。在现场放置大量高性能服务器有其自身的问题，需要大量宝贵的空间和电力，并且在尝试跨大量摄像机部署时成本可能过高。它也没有解决处理多位置环境的现实问题，这些环境对于利用数据变得越来越重要。处理来自 1 个或 2 个摄像头的实时视频是一回事。在一个或多个地点实时处理来自数百个摄像机的视频，通常可用资源有限，这需要我们以完全不同的方式思考。

解决方案：边缘视频

答案就在边缘。将智能置于边缘允许工作负载分布在许多设备上。这可能意味着要么将更强大的处理能力嵌入到摄像头本身中，要么添加位于摄像头和云之间的高效边缘设备。为了实现这一点，边缘处理公司开始发布快速、节能的专用 AI 处理器。英伟达在其 Jetson 系列中推出了几个模块，用于在嵌入式设备中执行实时推理，英特尔通过收购 Movidius，提供了他们的 Myriad 系列处理器和神经计算棒。过去几年，大量投资者资金流向了提供低成本、高性能深度学习处理能力的新一代芯片公司。 Mythic、Graphcore 等公司已经获得了数百万美元的风险投资。最近甚至谷歌和亚马逊也宣布了自己的边缘处理芯片。这是两家纯粹的云计算公司对在边缘处理机器学习的重要性的惊人认可。

接下来会发生什么

基于边缘的处理将实现一种全新的实时智能。目前的被动录像机很快将用于监视有溺水风险的孩子，检测学校附近的武器或为没有钥匙的员工开门。他们将寻找生产线中的缺陷，找到没有佩戴安全设备的工人，并了解人们如何在零售环境中走动以优化流程并减少等待时间。相机最终将提供实时的可操作数据。我们将看到我们在提高安全性、制造可靠性、店内购物者满意度和安全性方面的能力得到巨大改进。

随着超过 10 亿个摄像头的部署和下一个 10 亿个摄像头的部署准备就绪，边缘处理提供了最终使它们变得智能的潜力。

公司已经可以找到像 Kogniz 这样能够提供实时识别人员和模式的功能的视频情报服务提供商。通过 Kogniz 方法，该服务利用基于边缘的设备，包括用于现有 IP 摄像机的独立摄像机和适配器，允许以最少的基础设施进行按需部署。 Kogniz 解决方案适用于无限数量的摄像机和任意数量的位置。

杰德·普特曼 担任 Kogniz 的联席首席执行官。 Putterman 先生创办了多家科技公司，包括被 VeriSign 收购的 Snapcentric 和被 Mercury Interactive Corporation 收购的 Allerez。 Putterman 先生的职业生涯始于甲骨文公司，并在 Sun Microsystems、SGI 和 Aspect Communications 等大公司担任顾问多年。他毕业于加州大学伯克利分校。