視頻診斷在AI算法技術分析
? ? ? 而視頻診斷的AI?分析算法，并不具備人臉識別場景那么好的發展條件。要想生產出高質量的產品， 那么在算法定義、數據收集、模型訓練、準確率評估幾個方面都存在更高的門檻。
而視頻診斷的AI分析算法，并不具備人臉識別場景那么好的發展條件。要想生產出高質量的產品， 那么在算法定義、數據收集、模型訓練、準確率評估幾個方面都存在更高的門檻。
算法定義：視頻監控的圖像異常情況非常繁多，類型界定模糊，無法統一量化標準，因此大多數圖象場景需要多種算法組合，對單種圖像異常類型仍需要定義大量的模型才能適應不同場景;
數據收集：異常故障多為偶發事件，數據量非常少，并且無法模擬，無法批量生產訓練數據，需要具有大量項目基礎數據積累才能形成孵化產品，建立可持續采集、持續發布的應用模式才能具備持續優化產品的能力;
模型訓練：異常故障數據多集中在常見故障，異常的圖像樣本個體差異非常大，傳統的模型訓練方式和成效，只能滿足一些基本的功能，精度可達到90%以上。如果沒有應對不常見視頻質量問題和圖像個體差異的措施，系統功能和準確率會出現嚴重偏科的情況。
準確率評估：異常故障界定必然會受到主觀判斷差異的影響，1千個用戶心中就有1千套衡量標準，一套標準只能趨近大多數場景的期望，標準算法只能無限趨近大部分用戶的期望，無法滿足所有用戶場景的需求。因此視頻診斷系統就需要配套技術手段應對這些矛盾沖突，才能有效提升實戰應用的準確率。
視頻診斷系統要提升準確率和適應性，除了要解決標準化AI算法持續優化問題，還需要關注產品交付過程中，算法定義、數據收集、模型訓練、準確率評估4個環節如何做到自動化、智能化，將自主學習的理念融入到產品使用過程中。