视频诊断在AI算法中应用分析

而视频诊断的 AI 分析算法，并不具备人脸识别场景那么好的发展条件。要想生产出高质量的产品， 那么在算法定义、数据收集、模型训练、准确率评估几个方面都存在更高的门槛。

算法定义： 视频监控的图像异常情况非常繁多，类型界定模糊，无法统一量化标准，因此大多数图象场景需要多种算法组合，对单种图像异常类型仍需要定义大量的模型才能适应不同场景;

数据收集： 异常故障多为偶发事件，数据量非常少，并且无法模拟，无法批量生产训练数据，需要具有大量项目基础数据积累才能形成孵化产品，建立可持续采集、持续发布的应用模式才能具备持续优化产品的能力;

模型训练： 异常故障数据多集中在常见故障，异常的图像样本个体差异非常大，传统的模型训练方式和成效，只能满足一些基本的功能，精度可达到 90% 以上。如果没有应对不常见视频质量问题和图像个体差异的措施，系统功能和准确率会出现严重偏科的情况。

准确率评估： 异常故障界定必然会受到主观判断差异的影响， 1 千个用户心中就有 1 千套衡量标准，一套标准只能趋近大多数场景的期望，标准算法只能无限趋近大部分用户的期望，无法满足所有用户场景的需求。因此视频诊断系统就需要配套技术手段应对这些矛盾冲突，才能有效提升实战应用的准确率。

视频诊断系统要提升准确率和适应性，除了要解决标准化 AI 算法持续优化问题，还需要关注产品交付过程中，算法定义、数据收集、模型训练、准确率评估 4 个环节如何做到自动化、智能化，将自主学习的理念融入到产品使用过程中。