作者/賽靈思公司工業(yè)醫(yī)療市場高級經(jīng)理 羅霖

視頻監(jiān)控應(yīng)用的基礎(chǔ)在于安全性，但目前視頻監(jiān)控的未來發(fā)展似乎遠不止于此，例如其還能進一步擴展到管理領(lǐng)域---將視頻技術(shù)作為管理工具。特別是隨著人工智能 (AI) 的發(fā)展，可從視頻和圖像中提取特性以幫助大數(shù)據(jù)服務(wù)不斷演進發(fā)展。

AI 的普及將顯著加速視頻監(jiān)控技術(shù)的發(fā)展，不僅適用于一兩種應(yīng)用，而是囊括幾乎所有的情境，從小型人臉抓拍攝像頭到機頂盒大小的智能DVR/NVR，乃至數(shù)據(jù)中心的內(nèi)容分析服務(wù)器機柜等，無所不包。出人意料的是，視頻監(jiān)控行業(yè)從常規(guī)算法向 AI 技術(shù)的轉(zhuǎn)變異常迅猛，如對象分類、檢測、跟蹤、識別以及細(xì)分和行為分析等。轉(zhuǎn)變的優(yōu)勢是巨大的，因為即便是在錯綜復(fù)雜的環(huán)境中，比如無論是在北京交通高峰時段熙熙攘攘的街道還是在上海最大型體育場內(nèi)舉辦的超級巨星演唱會上，AI 技術(shù)的轉(zhuǎn)變都能顯著提升應(yīng)用的準(zhǔn)確度、性能、效率以及穩(wěn)健性。

另一大趨勢是 AI 技術(shù)迅速的演進發(fā)展。深度學(xué)習(xí)算法日新月異，如Resnet、Faster-RCNN、Segnet、FPN 以及 Yolo V3，不一而足。同時新算法還在不斷涌現(xiàn)。沒有人能預(yù)測哪一種新型神經(jīng)網(wǎng)絡(luò)將在半年后大受歡迎。學(xué)術(shù)研究人員和工程師正在創(chuàng)建標(biāo)準(zhǔn)網(wǎng)絡(luò)的成千上萬種變體，試圖為其自有應(yīng)用實現(xiàn)最佳成果。在可預(yù)見的未來，這種發(fā)展不會停滯不前或放緩，因為我們才剛剛進入 AI 時代。更多創(chuàng)新還會不斷涌現(xiàn)。

在一定的預(yù)算范圍內(nèi)（BOM 成本或包絡(luò)功率）提供可接受的深度學(xué)習(xí)性能，是人們開發(fā)商業(yè)視頻監(jiān)控產(chǎn)品的目標(biāo)。換言之，提高深度學(xué)習(xí)的效率也是趨勢所在。在神經(jīng)網(wǎng)絡(luò)訓(xùn)練階段，主要側(cè)重于功能強大的全新 GPU 的浮點性能和吞吐量，不過就海量產(chǎn)品的深度學(xué)習(xí)推斷而言，人們更關(guān)心的是單位功耗的高效性能，而不是理論峰值性能。例如，如何在小型緊湊的人臉識別攝像系統(tǒng)中既實現(xiàn)高性能 DNN 處理，功耗預(yù)算又在 3 瓦范圍之內(nèi)，對開發(fā)人員來說實可謂一大嚴(yán)峻挑戰(zhàn)。我們必須配置出如何以多種不同的方法來優(yōu)化 DNN 實施方案，如減小批處理規(guī)模，縮小網(wǎng)絡(luò)規(guī)模，優(yōu)化網(wǎng)絡(luò)和使用低比特推斷等。

開發(fā)以 AI 為中心的視頻監(jiān)控系統(tǒng)的人員一直在尋找不僅適合同時還可支持創(chuàng)新的硬件平臺。人們過去傾向于在常規(guī)的視頻監(jiān)控產(chǎn)品中使用 DSP 或 ASIC，因為這能以可接受的成本和功耗提供所需的特性和性能。比如，一款帶固定智能功能的 IP 攝像頭不會有太多的創(chuàng)新和差異化元素，所以只要能執(zhí)行固定功能，選用什么樣的主處理器并不重要。

然而，由于前文提及的 AI 技術(shù)的快速迭代，為以 AI 為中心的平臺選擇適合的平臺就大不相同了。首先，要想緊跟技術(shù)發(fā)展的步伐，亟需采用自適應(yīng)平臺，不僅能及時支持所有的創(chuàng)新技術(shù)，而且還易于更新，以適應(yīng)新的技術(shù)變革。其次，由于眾多視頻監(jiān)控設(shè)備的機械設(shè)計限制和熱設(shè)計限制，其也需要提高能效。硬件應(yīng)能夠以高效的方式處理與數(shù)據(jù)移動相關(guān)的海量并行計算。為了能夠定制數(shù)據(jù)路徑和操作，應(yīng)使用精細(xì)粒度的微架構(gòu)完成結(jié)構(gòu)設(shè)計。最后，由于視頻監(jiān)控應(yīng)用的規(guī)模不盡相同，因而需要可擴展的硬件平臺才能通過公共架構(gòu)和工具流對低、中、高端產(chǎn)品進行統(tǒng)一。

賽靈思可為以 AI 為中心的視頻監(jiān)控應(yīng)用提供業(yè)界領(lǐng)先的 FPGA 和 SoC 平臺。FPGA 本質(zhì)上十分適合進行并行計算，并且擁有大量高速片上存儲器，是 DNN 推斷的理想選擇。此外，針對為 AI 引擎饋送數(shù)據(jù)的多種不同傳感器而言，F(xiàn)PGA 還可提供眾多可配置的高速 I/O。憑借定制化的數(shù)據(jù)路徑，F(xiàn)PGA 展現(xiàn)出了卓越的低時延能力。此外，與 GPU 相比，F(xiàn)PGA 能效顯著，可用于對功耗水平要求嚴(yán)格的 AI 攝像頭應(yīng)用中。借助同時集成了 ARM 和 FPGA 的 SoC 器件，如 28nm Zynq-7000 和 16nm Zynq Ultrascale+ MPSoC 等，我們不僅能更好地對定制 DNN 算法進行分區(qū)，還能提升系統(tǒng)級集成度，從而降低 BOM 成本與系統(tǒng)功耗。

除芯片本身之外，為了提升設(shè)計生產(chǎn)力，賽靈思最近還可提供 Vivado HLS、SDSoC 等高級工具以及 xFDNN 等高性能深度學(xué)習(xí)庫。此外，賽靈思一直與我們的深度學(xué)習(xí)合作伙伴深鑒科技 (Deephi) 開展合作，致力于為人臉識別攝像頭、視頻結(jié)構(gòu)盒和云視頻分析卡提供完整的解決方案。