深度自学是机器学习中一种基于对数据展开密切相关自学的方法。观测值(例如一幅图像)可以用于多种方式来回应，如每个像素强度值的向量，或者更加抽象地回应成一系列边、特定形状的区域等。而用于某些特定的回应方法更容易从实例中自学任务(例如，人脸识别或面部表情辨识)。

深度自学的益处是用非监督式或半监督式的特征自学和分层特征提取高效算法来替代手工提供特征。　　深度自学是机器学习研究中的一个新的领域，其动机在于创建、仿真人脑展开分析自学的神经网络，它仿效人脑的机制来说明数据，例如图像，声音和文本。　　视频结构化助力智慧城市建设　　从技术角度来说，智慧城市就是感官、分析和萃取城市系统的各种信息并作出比较不应对系统的一整套城市管理系统，其中，完整的视频数据是城市系统信息的最重要组成部分。

现如今，海量视频数据已是必定，必须一套可以自动从视频中萃取结构化信息的方案，把视频、图像“翻译成”成机器可以解读的语言，并展开留存，保证先前获取给上层应用于平台调用和处置的素材。　　视频结构化的意义　　视频或者图像数据，从前端传感器必要取得，从技术上来说，是一种非结构化信息。只有在构建结构化处置之后，才能将其中有价值的数据直观、高效的留存、处置和应用于。

　　在智慧城市建设中，有成千上万路监控摄像头或者传感器，昼夜不时地监控或收集其他原始数据。其中，不会产生海量的音视频数据，必须监控管理平台处置。即便人力丰沛的情况下，面临可观的视频数据，拒绝较慢、精确地从海量数据中寻找有效地的信息，完全是不有可能的。受限于肉眼辨识劳动强度的无限大，在再次发生紧急事件时，人力调配和视频资源往往不存在对立，不依赖计算机自动展开检验，必定导致贻误战机。

　　视频结构化就是构建将海量视频中的人、车目标展开萃取并辨识的过程。一旦有最重要事件再次发生，系统就可在数据库中较慢查询到关键的“人”、“车”、“物”等涉及音视频线索。针对海量监控视频录像的事后分析，传统以人海战术居多的视频线索查询，似乎无法符合高效查询，于是以面对极大挑战，急需一种更加高效的、自动的、智能的系统构建上述市场需求。

　　深度自学讲解　　过去几年中，归功于高速的计算出来芯片(GPU)及大量的标示数据，作为当下最风行的机器学习方法，深度自学在各个应用领域中都获得了突破性的成绩，未来人们不会享有大量的AI，各种为私人自定义的AI，还包括医疗领域，制造业领域，在商业方面也不会有各式各样的AI应用于产生，还包括：营销，供应链，预测及人力资源等，AI不会以各种有所不同的方式经常出现在我们身边，例如：机器人，无人机和一些小型机器，AI将使机器极具智能化，使其显得更为安全性易懂。未来的AI发展速度将打破摩尔定律。

　　机器学习是一个级联串行结构，因此每一环节的处理结果都会影响到最后的分类效果，在传统的机器学习中针对其中的各个环节都有其各自独立国家的算法。由于上述方法具备各自独立性，因此传统机器学习算法在处置问题时必须对各个环节展开优化，并通过人组优化方法在各个模块中挑选拟合的人组方式。

　　与传统机器学习比起深度自学可以把机器学习中的各个部分合成一个整体结构，通过统一的训练方法(Backpropagation)对其中所有的参数展开调节。　使用卷积方式与某一卷积核展开卷积所获得的结果，每一结果代表了从完整图像所萃取的特征，通过级联方式对图像或信号展开特征提取，最后获得人们想的分类结果。　　融合深度自学技术，构建视频结构化　　在安防行业中，通过深度自学对视频展开结构化信息提取，已完成了传统算法无法已完成的功能，算法效果也获得大幅度提高。　　传统的CV算法在处置视频算法时，往往再行用检测或者比较简单的辨识算法，将目标从背景中萃取出来。

然后，通过辨识算法辨别是否是长时间目标，最后辨别目标类型。　　而利用深度自学技术，可必要通过分类器，将目标从背景中辨识出来再行展开追踪，同时可以必要获得目标类别。这种模式下，目标检测的准确率和追踪的稳定性都需要大幅度提高。

　　同时，算法不必须根据有所不同目标类型调用有所不同模块展开目标拆分或者特征提取，可必要利用目标辨识结果，展开特征辨识，必要取得适当的目标属性。　　深度自学技术政治宣传传统算法，精彩已完成视频结构化信息提取。

除此之外，融合深度自学本身的技术特色，还对车辆信息提取、人脸识别等有数功能展开提高，效果最为显著。　　在这之前，人脸识别在传统算法中，有十分好的效果。在预处理之后，通过萃取特定的特征并对特征值展开训练，最后获得分类器，展开辨识。

深度自学优化了人脸识别的方案，将较为依赖专家自由选择的特征提取模块修改，通过输出样本才可必要训练获得分类器。　　智能交通卡口或者电警摄像头智能抓拍车辆图片，并辨识车辆号牌字符、车辆颜色、车辆类型等数据。引进深度自学技术之后，车辆的车系信息、年款等信息也被研发出来，更好的车辆信息被挖出，为先前平台应用于获取的更好的数据承托。