深度學(xué)習(xí)在公安實(shí)戰(zhàn)中應(yīng)用前景的研究

封 順

（吉林警察學(xué)院，吉林 長(zhǎng)春 130117）

一、引言

隨著公安信息化建設(shè)的不斷推進(jìn)，我國(guó)平安城市、雪亮工程、治安防控體系戰(zhàn)略的深入發(fā)展，實(shí)施公安大數(shù)據(jù)戰(zhàn)略，著力打造數(shù)據(jù)警務(wù)、建設(shè)智慧公安應(yīng)運(yùn)而生。如何運(yùn)用警務(wù)大數(shù)據(jù)，并使公安工作實(shí)現(xiàn)科技化、智能化和高效化，提升公安實(shí)戰(zhàn)各領(lǐng)域的信息化技術(shù)手段，這是公安工作者需要亟待解決的問(wèn)題。近年來(lái)，人工智能相關(guān)技術(shù)不斷應(yīng)用到公安領(lǐng)域中，公安警務(wù)工作方式日新月異，公安實(shí)戰(zhàn)應(yīng)用也發(fā)生了翻天覆地的變化，這些新技術(shù)為警務(wù)工作提供新思路、新方法和新模式，為公安各警種實(shí)戰(zhàn)應(yīng)用提供了有力的技術(shù)支撐，并在實(shí)際應(yīng)用中發(fā)揮了至關(guān)重要的作用，大大減輕了一線(xiàn)民警的工作負(fù)擔(dān)，極大地提升了公安警務(wù)工作效率。

深度學(xué)習(xí)是當(dāng)前人工智能領(lǐng)域發(fā)展最快和最引人矚目的領(lǐng)域，在計(jì)算機(jī)視覺(jué)、自然語(yǔ)言處理、網(wǎng)絡(luò)安全等許多應(yīng)用領(lǐng)域中都取得了很高的成就。隨著研究的深入，目前已涌現(xiàn)出許多基于深度學(xué)習(xí)的網(wǎng)絡(luò)模型和算法，卷積神經(jīng)網(wǎng)絡(luò)、循環(huán)神經(jīng)網(wǎng)絡(luò)和生成對(duì)抗網(wǎng)絡(luò)是當(dāng)前比較熱點(diǎn)的網(wǎng)絡(luò)模型，深度前饋網(wǎng)絡(luò)、BP算法、正則化、Relu激活函數(shù)、稀疏編碼、Dropout[11]、LSTM[9]長(zhǎng)短時(shí)記憶等是當(dāng)前使用較為廣泛的深度學(xué)習(xí)算法。相關(guān)模型和算法以及改進(jìn)型在人像識(shí)別、圖像處理、目標(biāo)檢測(cè)與跟蹤、機(jī)器翻譯、自動(dòng)駕駛、聲紋識(shí)別、網(wǎng)絡(luò)信息安全、圖像生成等現(xiàn)實(shí)應(yīng)用領(lǐng)域中取得了成功。

近年來(lái)隨著深度學(xué)習(xí)在諸多領(lǐng)域中得到了長(zhǎng)足的發(fā)展，被廣泛應(yīng)用在各類(lèi)人工智能任務(wù)中，且都取得了理想結(jié)果。一些從事警務(wù)研究人員將注意力轉(zhuǎn)移到深度學(xué)習(xí)研究領(lǐng)域，嘗試構(gòu)建深度學(xué)習(xí)模型來(lái)處理公安實(shí)戰(zhàn)中遇到的問(wèn)題。目前流行的深度學(xué)習(xí)網(wǎng)絡(luò)模型為卷積神經(jīng)網(wǎng)絡(luò)(Convolutional Neural Network,CNN)、循環(huán)神經(jīng)網(wǎng)絡(luò)(Recurrent Neural Network,RNN)和生成對(duì)抗網(wǎng)絡(luò)(Generative Adversarial Networks，GANs)，受到了人工智能學(xué)術(shù)界和工業(yè)界的廣泛研究和高度關(guān)注，可應(yīng)用于警務(wù)工作中的諸多領(lǐng)域，在公安實(shí)戰(zhàn)應(yīng)用中有著廣泛的應(yīng)用前景。

二、深度學(xué)習(xí)模型

人工神經(jīng)網(wǎng)絡(luò)[1](Artificial Neural Network，ANN)是20世紀(jì)80年代以來(lái)人工智能領(lǐng)域興起的研究熱點(diǎn)。它從信息處理角度出發(fā)對(duì)人腦神經(jīng)元網(wǎng)絡(luò)進(jìn)行抽象描述，從而建立某種簡(jiǎn)單模型，按不同的連接方式組成不同的網(wǎng)絡(luò)。深度學(xué)習(xí)是人工神經(jīng)網(wǎng)絡(luò)的發(fā)展和延續(xù)，2006年Hinton在《Science》雜志上首次提出深度學(xué)習(xí)概念，提出多層人工神經(jīng)網(wǎng)絡(luò)模型有很強(qiáng)的特征學(xué)習(xí)能力，深度學(xué)習(xí)模型對(duì)原始數(shù)據(jù)有更本質(zhì)的表述等觀點(diǎn)[10]。在大數(shù)據(jù)技術(shù)和計(jì)算能力飛速發(fā)展的今天，深度學(xué)習(xí)作為目前人工智能領(lǐng)域研究熱點(diǎn)，因其具有廣泛的發(fā)展前景，受到了學(xué)術(shù)界與工業(yè)界的雙重關(guān)注，近年來(lái)也涌現(xiàn)出成功的深度學(xué)習(xí)模型。下面介紹應(yīng)用較為廣泛的卷積神經(jīng)網(wǎng)絡(luò)、循環(huán)神經(jīng)網(wǎng)絡(luò)和生成對(duì)抗網(wǎng)絡(luò)。

（一）卷積神經(jīng)網(wǎng)絡(luò)

卷積神經(jīng)網(wǎng)絡(luò)(Convolutional Neural Network,CNN)是一類(lèi)以卷積計(jì)算為主體，包含激活函數(shù)和降采樣，且具有深度結(jié)構(gòu)的前饋神經(jīng)網(wǎng)絡(luò)，是當(dāng)前應(yīng)用最為成功、網(wǎng)絡(luò)深度最深的深度學(xué)習(xí)模型之一，在計(jì)算機(jī)視覺(jué)、圖像處理、生物信息等領(lǐng)域取得了巨大的成功。CNN模擬了人類(lèi)視覺(jué)信息處理的過(guò)程，這種信息處理方式非常類(lèi)似圖像處理領(lǐng)域的圖像卷積運(yùn)算，原始的圖像以二維圖像呈現(xiàn)，由一個(gè)卷積核來(lái)對(duì)整張圖像進(jìn)行處理，得到帶有原始圖像某種特征信息的新的圖像，這樣就把原始信號(hào)中某種特定的信息提取出來(lái)，實(shí)現(xiàn)信息壓縮和抽象。隨著層數(shù)的堆疊，每層有若干個(gè)特征提取，若干層堆疊在一起，逐步實(shí)現(xiàn)對(duì)概念、對(duì)視覺(jué)的理解。

圖1 人類(lèi)視覺(jué)皮層處理視覺(jué)信息過(guò)程

圖2 二維圖像卷積運(yùn)算示意圖

圖3 卷積神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)圖

卷積神經(jīng)網(wǎng)絡(luò)主要包括五部分：輸入層、卷積層、激活層、池化層和全連接層[19]。輸入層對(duì)輸入數(shù)據(jù)進(jìn)行標(biāo)準(zhǔn)化處理，這項(xiàng)處理操作有利于算法學(xué)習(xí)效率的提升；卷積層主要功能是實(shí)現(xiàn)對(duì)原始信號(hào)的特征提取、抽象、壓縮和理解，每個(gè)卷積層由多個(gè)卷積核組成，每個(gè)卷積核通過(guò)共享相同的權(quán)值處理上層的全部數(shù)據(jù)或部分?jǐn)?shù)據(jù)，通過(guò)調(diào)整卷積核的大小和權(quán)值可以實(shí)現(xiàn)不同特征的提取，通過(guò)權(quán)值共享可以減少參數(shù)的數(shù)量來(lái)提高學(xué)習(xí)效率，使得網(wǎng)絡(luò)模型具有更好的泛化能力；激活層通過(guò)引入激活函數(shù)(Sigmoid、tanh、Relu)來(lái)增加非線(xiàn)性因素，使得網(wǎng)絡(luò)可微可導(dǎo)；池化層實(shí)現(xiàn)降采樣，在保持特征布局不變的同時(shí)不斷減少數(shù)據(jù)輸出維度，使得參數(shù)數(shù)量和計(jì)算量下降，從而保留最有效信息并控制過(guò)擬合現(xiàn)象，這是卷積神經(jīng)網(wǎng)絡(luò)能夠持續(xù)加深的原因，常用的池化有最大池化(Max pooling)和平均池化(average pooling)；全連接層對(duì)卷積層、激活層、池化層學(xué)習(xí)得到的特征信息拉平為一維向量，經(jīng)過(guò)幾個(gè)全連接的前饋神經(jīng)網(wǎng)絡(luò)(FNN)的加權(quán)求和，預(yù)測(cè)最終輸出結(jié)果。

最早出現(xiàn)的卷積神經(jīng)網(wǎng)絡(luò)有時(shí)間延遲網(wǎng)絡(luò)和LeNet，被用來(lái)識(shí)別字符，隨著更有效的卷積神經(jīng)網(wǎng)絡(luò)模型的提出，以及數(shù)字計(jì)算設(shè)備的更新和大數(shù)據(jù)帶來(lái)的機(jī)遇，CNN在2012年有長(zhǎng)足的發(fā)展，并在以后衍生一系列的深度學(xué)習(xí)算法模型，如LeNet-5、AlexNet、VggNet、GooleNet、ResNet[21]等。

（二）循環(huán)神經(jīng)網(wǎng)絡(luò)

循環(huán)神經(jīng)網(wǎng)絡(luò)(Recurrent Neural Network,RNN)是一類(lèi)善于處理和預(yù)測(cè)序列數(shù)據(jù)的深度學(xué)習(xí)模型[7]。RNN及其變體網(wǎng)絡(luò)已經(jīng)被應(yīng)用到很多領(lǐng)域，尤其是具有序列性質(zhì)的輸入和存在一定時(shí)間依賴(lài)的關(guān)系的數(shù)據(jù)，如語(yǔ)音識(shí)別、機(jī)器翻譯、詞量生成、文本分類(lèi)、信息檢索、情感分類(lèi)、音樂(lè)生成、DNA序列分析等。網(wǎng)絡(luò)最大的特點(diǎn)就是隱藏單元在前一時(shí)刻的輸出作為當(dāng)前時(shí)刻的輸入再次輸入到隱藏單元，這樣就可以把當(dāng)前時(shí)刻的狀態(tài)傳遞給下一時(shí)刻[2]，t 時(shí)刻隱藏單元接收網(wǎng)絡(luò)前一時(shí)刻的隱藏單元的值a^()和當(dāng)前的輸入數(shù)據(jù)x^()兩方面內(nèi)容，并通過(guò)隱藏單元的權(quán)值計(jì)算出當(dāng)前時(shí)刻最終的輸出，從而保持?jǐn)?shù)據(jù)中的依賴(lài)關(guān)系；重復(fù)網(wǎng)絡(luò)結(jié)構(gòu)中的隱藏單元參數(shù)(W_ax、W_aa、W_ya)是共享的，展開(kāi)后的循環(huán)神經(jīng)網(wǎng)絡(luò)計(jì)算過(guò)程如下：

圖4 展開(kāi)后的循環(huán)神經(jīng)網(wǎng)絡(luò)網(wǎng)絡(luò)結(jié)構(gòu)圖

RNN通過(guò)正向傳播(Forward Propagation)得到a和：

然后計(jì)算每個(gè)元素和整個(gè)序列的損失函數(shù)(Loss function)：

最后使用通過(guò)(穿越)時(shí)間反向傳播[8](back propagation through time)求導(dǎo)來(lái)更新網(wǎng)絡(luò)中的權(quán)重參數(shù)，這也是當(dāng)前循環(huán)神經(jīng)網(wǎng)絡(luò)最常用的訓(xùn)練算法。

循環(huán)神經(jīng)網(wǎng)絡(luò)能夠?qū)⑤斎胄蛄袛?shù)據(jù)映射為序列數(shù)據(jù)作為輸出，根據(jù)不同任務(wù)，輸出數(shù)據(jù)長(zhǎng)度和輸入序列長(zhǎng)度不一定相同，有多用對(duì)應(yīng)的關(guān)系。圖2-5中(a)“多對(duì)一”結(jié)構(gòu)，可用于電影情感分析等任務(wù)，首先讀取輸入為一個(gè)電影評(píng)論的文本，然后判斷他們是否喜歡電影；(b)“一對(duì)多”結(jié)構(gòu)，可以用于表示生成音樂(lè)、圖片描述等任務(wù)，輸入固定大小的矩陣表示的數(shù)值或圖片，輸出一首美妙的音樂(lè)或圖片描述文字；(c)“一對(duì)一”結(jié)構(gòu)，是一個(gè)小型的標(biāo)準(zhǔn)神經(jīng)網(wǎng)絡(luò)，輸入序列數(shù)據(jù)后得到輸出，固定的長(zhǎng)度輸入和固定長(zhǎng)度輸出；(d)和(e)是“多對(duì)多”結(jié)構(gòu)，輸入輸出都為序列數(shù)據(jù)，(d)輸入輸出同步，可用于語(yǔ)音識(shí)別，(e)輸入輸出為非同步，可用于機(jī)器翻譯，一個(gè)中文句子和一個(gè)英語(yǔ)句子不同數(shù)量的單詞卻能表達(dá)同一個(gè)意思。目前，在實(shí)際應(yīng)用中使用最廣泛的循環(huán)神經(jīng)網(wǎng)絡(luò)架構(gòu)來(lái)有門(mén)控循環(huán)單元(Gated Recurrent Unit, GRU)、長(zhǎng)短期記憶網(wǎng)絡(luò)[9](Long-Short Time Memory, LSTM)和雙向循環(huán)網(wǎng)絡(luò)(Bi-directional RNN, BRNN)。

圖5 不同類(lèi)型RNN結(jié)構(gòu)示例圖

（三）生成對(duì)抗網(wǎng)絡(luò)

生成對(duì)抗網(wǎng)絡(luò)[12](Generative Adversarial Networks，GANs)在2014年由Goodfellow首次提出，是當(dāng)前深度學(xué)習(xí)領(lǐng)域最具潛力的研究成果之一。其核心思想受博弈論中二元零和博弈的啟發(fā)，同時(shí)訓(xùn)練兩個(gè)相互協(xié)作、同時(shí)又相互競(jìng)爭(zhēng)的深度神經(jīng)網(wǎng)絡(luò)，它的框架中包含一對(duì)相互對(duì)抗的模型：判別器(Discriminator,D)和生成器(Generator,G)。生成器的目的是學(xué)習(xí)真實(shí)樣本的數(shù)據(jù)分布，生成與真實(shí)樣本分布高度逼近的生成樣本，判別器的目的是判別訓(xùn)練樣本是真實(shí)樣本還是生成樣本。二者為了在博弈中勝出，需不斷提高各自的樣本生成能力和樣本判別能力，通過(guò)連續(xù)不斷的對(duì)抗訓(xùn)練，生成器生成以假亂真的生成樣本分布最大化，判別器判別真實(shí)和生成樣本的錯(cuò)誤概率最小化。

圖6 生成對(duì)抗網(wǎng)絡(luò)示意圖

生成器和判別器都是任意可導(dǎo)可微函數(shù)，因此，建立一個(gè)損失函數(shù)(Loss function)來(lái)監(jiān)視和判斷模型學(xué)習(xí)效果，然后利用隨機(jī)梯度下降法(SGD）進(jìn)行優(yōu)化。由于判別器是一個(gè)二分類(lèi)模型，可采用交叉熵表示其損失函數(shù)[3]，即

其中，E是求期望，D和G分別為判別器和生成器的可微函數(shù)，x為真實(shí)數(shù)據(jù)樣本，z為隨機(jī)噪聲矢量，G(z)是生成器的生成數(shù)據(jù)。公式(5)前半部分表示判別器D判斷出x是真實(shí)數(shù)據(jù)的情況，后半部分為判別器D判別數(shù)據(jù)是由生成器G將噪聲矢量z映射而成的生成數(shù)據(jù)的情況。在訓(xùn)練優(yōu)化生成器G時(shí)，輸入為噪聲向量z，希望生成樣本G(z)通過(guò)判別器D后的概率值為1，即希望D(G(z))趨于1，故極小化模型G。在訓(xùn)練優(yōu)化判別器D時(shí)，當(dāng)輸入為真實(shí)樣本x時(shí)，希望D(x)趨于1；當(dāng)輸入為生成樣本G(z)時(shí)，則希望D(G(z))趨于0，故極大化模型D。因此GANs的優(yōu)化問(wèn)題可描述為下面極大極小博弈問(wèn)題，最終的損失函數(shù)為：

在模型的訓(xùn)練過(guò)程中，生成器G和判別器D的參數(shù)交替迭代更新，先固定G，訓(xùn)練D，更新迭代D的參數(shù)，然后在固定D，訓(xùn)練G，更新G的參數(shù)，在不斷重復(fù)上述過(guò)程最終達(dá)到模型穩(wěn)定。GANs作為一種生成式模型，最直接的應(yīng)用就是對(duì)真實(shí)數(shù)據(jù)進(jìn)行建模并生成與真實(shí)數(shù)據(jù)分布一致的數(shù)據(jù)樣本，目前使用較為廣泛的生成對(duì)抗網(wǎng)絡(luò)模型有提出推土機(jī)距離的WGAN[17](Wasserstein GAN)、首次將卷積神經(jīng)網(wǎng)絡(luò)引入GAN中DCGAN[14](Deep Convolutional GANs)、提出了一種圖像到圖像翻譯的通用方法的Pix2Pix[15](Image-to-Image Translation with Conditional Adversarial Networks)、提出了一種一對(duì)多的圖像到圖像的翻譯方法StarGAN(GANs for Multi-Domain Image-to-Image Translation)。

三、深度學(xué)習(xí)在公安實(shí)戰(zhàn)中的應(yīng)用前景探究及發(fā)展趨勢(shì)

（一）應(yīng)用前景探究

1.卷積神經(jīng)網(wǎng)絡(luò)在人臉識(shí)別中的應(yīng)用

2017年7月，國(guó)務(wù)院發(fā)布的《新一代人工智能發(fā)展規(guī)劃》指出，圍繞社會(huì)綜合發(fā)展、新型犯罪偵查、反恐等迫切需求，要研發(fā)視頻圖像信息分析識(shí)別技術(shù)、生物特征識(shí)別技術(shù)的智能安防與警用產(chǎn)品，建立智能化檢測(cè)平臺(tái)。隨著2012年深度學(xué)習(xí)的興起，極大地加快了人臉識(shí)別技術(shù)的研究進(jìn)程，在眾多現(xiàn)實(shí)場(chǎng)景中取得了成功的應(yīng)用。其中使用卷積神經(jīng)網(wǎng)絡(luò)架構(gòu)的人臉識(shí)別算法在進(jìn)行訓(xùn)練和驗(yàn)證時(shí)，具有高識(shí)別率、高精確率、模型穩(wěn)定和拓展性強(qiáng)等特點(diǎn)，成為人臉識(shí)別領(lǐng)域?qū)W術(shù)界和工業(yè)界的研究熱點(diǎn)，在警務(wù)工作中將會(huì)逐漸的被應(yīng)用于公共場(chǎng)合治安維護(hù)、云端身份認(rèn)證、公安視頻偵查等公安安防領(lǐng)域。

人臉識(shí)別技術(shù)(Face Recognition)是一種基于人的面部特征信息進(jìn)行身份識(shí)別的生物特征識(shí)別技術(shù)。在公安實(shí)戰(zhàn)應(yīng)用中主要的三種應(yīng)用模式有：人臉驗(yàn)證(Face Verification)，即判定兩張人臉圖像是否屬于同一人，常用于身份認(rèn)證如人證核驗(yàn)；人臉辨別(Face Identification），即給定一張人臉圖像，判斷是否在人臉庫(kù)中，若在則返回具體的身份信息，常用于犯罪嫌疑人靜態(tài)檢索或動(dòng)態(tài)布控；人臉聚類(lèi)(Face Clustering)，即給定一批人臉圖像，將相同人的圖像歸類(lèi)到同一個(gè)類(lèi)，不同人的劃分為不同的類(lèi)，常見(jiàn)的應(yīng)用有智能相冊(cè)、一人一檔等。

圖7 基于卷積神經(jīng)網(wǎng)絡(luò)模型的人臉識(shí)別流程圖

當(dāng)今主流的人臉識(shí)別算法，包括活體鑒別、人臉檢測(cè)、人臉預(yù)處理、特征提取、比對(duì)識(shí)別五步驟。其中活體鑒別用來(lái)判斷人臉識(shí)別處理中的人臉圖像是否采集自真實(shí)人體；人臉檢測(cè)是從視頻或圖像中檢測(cè)出人臉，記錄和標(biāo)記重要部位的位置；人臉預(yù)處理和特征提取主要判斷圖像質(zhì)量、位置、光照條件，選取固定大小的人臉圖像，輸入到卷積神經(jīng)網(wǎng)絡(luò)模型中提取人臉特征向量；比對(duì)識(shí)別可分為人臉驗(yàn)證(1:1)和人臉辨別(1:N)兩類(lèi)。

公安安防是基于深度學(xué)習(xí)人臉識(shí)別算法應(yīng)用最廣泛的領(lǐng)域之一，主要為視頻結(jié)構(gòu)化、人臉檢索、人臉布控、人群統(tǒng)計(jì)、智慧交通、出入安檢等方面提供安全可靠的人臉識(shí)別服務(wù)，重點(diǎn)應(yīng)用于犯罪人員的識(shí)別追蹤、失蹤兒童尋找、反恐行動(dòng)助力、大型安保、可疑人員跟蹤、視頻監(jiān)控智能檢索等工作。在公安應(yīng)用場(chǎng)景中達(dá)到事前預(yù)警、事后跟蹤、事后快速處置的目的，并在平安城市、雪亮工程、天網(wǎng)工程、智慧城市等公安項(xiàng)目中發(fā)揮了至關(guān)重要的作用。

2.卷積神經(jīng)網(wǎng)絡(luò)在惡意代碼檢測(cè)中的應(yīng)用

惡意代碼已經(jīng)成為目前網(wǎng)絡(luò)空間安全中最多的威脅來(lái)源。近年來(lái)，全球各地網(wǎng)絡(luò)信息安全事故頻發(fā)，各行業(yè)的電子信息設(shè)備不斷遭受攻擊，嚴(yán)重破壞了社會(huì)穩(wěn)定和威脅國(guó)家安全。智慧公安打造的精準(zhǔn)警務(wù)需要依托于警務(wù)信息綜合平臺(tái)，具有實(shí)時(shí)性、高效性、穩(wěn)定性、機(jī)密性等特點(diǎn)，如何保證系統(tǒng)信息安全而不受病毒的侵?jǐn)_一直都在困擾著警務(wù)工作者，因此亟需一種高效準(zhǔn)確的惡意代碼檢測(cè)分析技術(shù)來(lái)消除其帶來(lái)的潛在威脅。

惡意代碼檢測(cè)方法按照是否可執(zhí)行代碼分為動(dòng)態(tài)檢測(cè)和靜態(tài)檢測(cè)，傳統(tǒng)方法都需要依賴(lài)專(zhuān)業(yè)的實(shí)驗(yàn)室與復(fù)雜的工具和具有豐富經(jīng)驗(yàn)的分析檢測(cè)人員，需要較高的人工和經(jīng)濟(jì)成本，嚴(yán)重影響惡意代碼的識(shí)別率和準(zhǔn)確率，難以滿(mǎn)足大數(shù)據(jù)時(shí)代下大規(guī)模的惡意代碼檢測(cè)需求。近年來(lái)，卷積神經(jīng)網(wǎng)絡(luò)模型被用于檢測(cè)惡意代碼，通過(guò)從大量的惡意代碼樣本中進(jìn)行惡意特征的提取，并訓(xùn)練這些惡意特征進(jìn)行分類(lèi)，最終得到惡意代碼識(shí)別模型，其模型具有資源消耗低、操作簡(jiǎn)單方便和自動(dòng)化程度高等顯著優(yōu)點(diǎn)。

圖8 深度學(xué)習(xí)惡意代碼檢測(cè)方法的一般流程

基于多通道圖像視覺(jué)特征和AlexNet神經(jīng)網(wǎng)絡(luò)的惡意代碼檢測(cè)方法[6]將采集到待檢測(cè)的惡意代碼轉(zhuǎn)化為具有更加明顯圖像特征的多通道圖像，利用帶有局部均衡歸一化的AlexNet的卷積神經(jīng)網(wǎng)絡(luò)搭建惡意代碼檢測(cè)模型，使用多通道圖像提取彩色紋理特征并分類(lèi)進(jìn)行惡意代碼檢測(cè)。利用均衡處理后的Malimg數(shù)據(jù)集進(jìn)行測(cè)試，結(jié)果顯示不同類(lèi)惡意代碼的彩色圖像紋理特征具有相異性、網(wǎng)絡(luò)模型收斂速度快、具有較強(qiáng)的泛化能力，準(zhǔn)確率和精確率分別達(dá)到97.8%、97.8%。

3.循環(huán)神經(jīng)網(wǎng)絡(luò)在聲紋識(shí)別的應(yīng)用

聲紋識(shí)別被作為識(shí)別人身份的一種非常重要的生物認(rèn)證技術(shù)，有著無(wú)需接觸、識(shí)別成本低廉、聲紋提取便捷等優(yōu)點(diǎn)，一定時(shí)期內(nèi)具有穩(wěn)定性和唯一性的特性。近年來(lái)，基于循環(huán)神經(jīng)網(wǎng)絡(luò)模型的聲紋識(shí)別技術(shù)極大地提升了識(shí)別的準(zhǔn)確率，逐漸在公安實(shí)戰(zhàn)中展開(kāi)應(yīng)用，諸如公安取證、刑偵破案、身份認(rèn)證等，與智能視頻監(jiān)控結(jié)合，解決現(xiàn)有智慧城市建設(shè)中的“眼強(qiáng)耳弱”的問(wèn)題[4]，特別是在電信詐騙中發(fā)揮著無(wú)可替代的作用，是警務(wù)工作應(yīng)對(duì)新形勢(shì)下聲紋識(shí)別與鑒定的關(guān)鍵。

圖9 Malimg數(shù)據(jù)集四類(lèi)惡意代碼多通道圖

圖10 帶有局部均衡歸一化的AlexNet網(wǎng)絡(luò)結(jié)構(gòu)圖

公安實(shí)戰(zhàn)應(yīng)用中的聲紋識(shí)別平臺(tái)包含聲紋采集設(shè)備、智能語(yǔ)音分析系統(tǒng)和公安聲紋實(shí)戰(zhàn)平臺(tái)三個(gè)板塊，提供從音頻數(shù)據(jù)采集、傳輸和存儲(chǔ)，到識(shí)別、轉(zhuǎn)寫(xiě)和分析，再到比對(duì)、鑒定和司法審訊的全方位一體化管理和使用綜合平臺(tái)。

高性能的音頻采集設(shè)備是能否獲取高質(zhì)量聲紋數(shù)據(jù)的關(guān)鍵，對(duì)以后語(yǔ)音識(shí)別與聲紋分析發(fā)揮著重要的作用，現(xiàn)有的音頻采集設(shè)備能夠?qū)崿F(xiàn)多通道采集、語(yǔ)音增強(qiáng)、自適應(yīng)降噪及聲源分離，在復(fù)雜場(chǎng)景下達(dá)到高質(zhì)量音頻。智能語(yǔ)音分析系統(tǒng)由聲紋數(shù)據(jù)庫(kù)、語(yǔ)音識(shí)別模塊、語(yǔ)音轉(zhuǎn)寫(xiě)模塊、聲紋分析模塊組成。聲紋數(shù)據(jù)庫(kù)具有聲紋數(shù)據(jù)的讀入、調(diào)取和管理等功能，是實(shí)現(xiàn)語(yǔ)音識(shí)別、語(yǔ)音轉(zhuǎn)寫(xiě)和聲紋分析功能模塊的基礎(chǔ)；語(yǔ)音識(shí)別模塊主要是將收集到音頻中話(huà)者的聲紋與背景音進(jìn)行分離，準(zhǔn)確找出說(shuō)話(huà)人的聲紋數(shù)據(jù)；語(yǔ)音轉(zhuǎn)寫(xiě)模塊是將搜集到的聲紋轉(zhuǎn)寫(xiě)為文本文字形式；聲紋分析模塊主要是對(duì)聲紋的聲學(xué)特性進(jìn)行分析，如聲紋的振幅、頻率、基頻、共振峰、功率譜、音調(diào)等。公安聲紋實(shí)戰(zhàn)平臺(tái)含有公安聲紋比對(duì)平臺(tái)、聲紋鑒定平臺(tái)、司法審訊平臺(tái)等，主要以聲紋分析模塊為核心，結(jié)合聲紋數(shù)據(jù)庫(kù)，提供聲紋大數(shù)據(jù)檢索、比對(duì)、分析和鑒定等功能，通過(guò)聲紋檢索比對(duì)來(lái)鎖定嫌疑人身份，對(duì)聲紋的分析與鑒定來(lái)認(rèn)定犯罪嫌疑人，在可疑人員查控、人員身份核驗(yàn)、案件偵破、反電信詐騙等場(chǎng)所發(fā)揮重大作用。

圖11 公安聲紋識(shí)別平臺(tái)構(gòu)架圖

這套完整的公安領(lǐng)域聲紋識(shí)別方案利用深度學(xué)習(xí)和專(zhuān)業(yè)的數(shù)字化頻譜生成知識(shí)，輔助聲紋識(shí)別專(zhuān)家，快速比對(duì)、分析檢材與樣本的物理特性和聲學(xué)特性，實(shí)現(xiàn)對(duì)語(yǔ)音中說(shuō)話(huà)人的識(shí)別認(rèn)定，為聲紋的識(shí)別與鑒定提供了非?？煽康募夹g(shù)基礎(chǔ)。

4.生成對(duì)抗網(wǎng)絡(luò)在被拐賣(mài)人口外觀和潛逃逃犯面貌預(yù)測(cè)中的應(yīng)用

警方對(duì)長(zhǎng)期失蹤、被拐賣(mài)人口和長(zhǎng)期潛逃人員所掌握的只有少量年代久遠(yuǎn)或者模糊不清的照片，多年下來(lái)面貌變得如何這類(lèi)問(wèn)題一直都在困擾警方，也給案件偵破帶來(lái)不小的難度。近期有學(xué)者提出了基于生成對(duì)抗網(wǎng)絡(luò)的新方法“壽命年齡轉(zhuǎn)換合成[16](Lifespan Age Transformation Synthesis)”，旨在從一個(gè)單一的輸入圖像模擬連續(xù)老化的過(guò)程，連續(xù)生成從年輕到年老的自己的照片。這種方法未來(lái)可以廣泛的應(yīng)用與公安實(shí)戰(zhàn)中，例如模擬失蹤、被拐賣(mài)人口的外觀、長(zhǎng)期潛逃套嫌疑人面貌預(yù)測(cè)等。

圖12 公安聲紋實(shí)戰(zhàn)平臺(tái)界面

基于深度學(xué)習(xí)框架新的多域圖像生成對(duì)抗網(wǎng)絡(luò)結(jié)構(gòu)，其學(xué)習(xí)潛空間模型是一個(gè)連續(xù)的雙向的老化過(guò)程，解決的是單張照片的年齡增長(zhǎng)和退化的問(wèn)題，即預(yù)測(cè)一個(gè)人未來(lái)的樣子，或者他們過(guò)去的樣子。該算法不僅考慮了人臉質(zhì)地和紋理的改變，還加入了人體在老化和生長(zhǎng)過(guò)程中頭部形態(tài)的變化，使得生成的圖片對(duì)略微年長(zhǎng)的成年人的更具有適用性和兒童照片能產(chǎn)生高質(zhì)量的結(jié)果。

該方法是在FFHQ數(shù)據(jù)集上進(jìn)行訓(xùn)練的，并按照年齡、性別和語(yǔ)義分割對(duì)其進(jìn)行標(biāo)記。采用固定年齡類(lèi)別被用作錨定來(lái)進(jìn)行近似連續(xù)年齡轉(zhuǎn)換。新框架可以通過(guò)一張照片預(yù)測(cè)0-70歲年齡段的完整頭像，同時(shí)修改頭部的紋理和形狀。

圖13 壽命年齡轉(zhuǎn)換合成結(jié)構(gòu)示意圖

圖14 壽命年齡轉(zhuǎn)換合成年齡預(yù)測(cè)示例圖

5.深度學(xué)習(xí)在圖像超分辨率重建中的應(yīng)用

在當(dāng)今公安工作中，視聽(tīng)資料在刑事偵查、視頻偵查、預(yù)審和刑事訴訟中發(fā)揮著中要的作用，高品質(zhì)影像、圖像和聲音是獲取關(guān)鍵信息的前提和保障。然而公安實(shí)戰(zhàn)中各種因素的影響會(huì)導(dǎo)致影像和圖像質(zhì)量不佳，出現(xiàn)模糊的現(xiàn)象，視覺(jué)效果不理想，這會(huì)對(duì)案情的分析、比對(duì)和研判造成嚴(yán)重的影響。實(shí)際工作中獲取的影像和圖像都為案后被動(dòng)獲取，往往依賴(lài)圖像處理方式改善其質(zhì)量。近年來(lái)，深度學(xué)習(xí)技術(shù)在超分辨率重建領(lǐng)域得到了積極的探索和發(fā)展，取得了長(zhǎng)足的進(jìn)步，為模糊圖像處理和圖像超分辨率重建提供了一條解決該問(wèn)題的新途徑。

圖像超分辨率(Super Resolution，SR)重建是使用特定算法將同一場(chǎng)景中低分辨率(LR)圖像恢復(fù)成高分辨率(HR)圖像，該技術(shù)是計(jì)算機(jī)視覺(jué)和圖像處理與檢驗(yàn)的主要技術(shù)之一，具有高靈活性、簡(jiǎn)便性和適用性。高分辨率圖像因其具有很高的像素密度，能夠獲取圖像更多的紋理特征和細(xì)節(jié)信息，使圖像能夠看得更細(xì)、看得更清，在未來(lái)警務(wù)工作中有著廣泛的應(yīng)用前景。目前流行的基于深度學(xué)習(xí)的超分辨率重建方法有CNN網(wǎng)絡(luò)模型(SRCNN、VDSR、DRCN、SRDenseNet等)和生成對(duì)抗網(wǎng)絡(luò)(SRGAN、ESRGAN、DICGAN等)，這兩個(gè)網(wǎng)絡(luò)模型都能夠很好的恢復(fù)圖像的高頻細(xì)節(jié)，使輸出圖像更接近真實(shí)圖像。

圖15 Meta-RDN[20]方法的超分辨率示意圖

2020年有學(xué)者提出一種用于人臉超分辨率的深度迭代協(xié)作方法[18](DICGAN)，在人臉超分辨率重建取得了可人效果。該方法提出了一種在深度迭代合并網(wǎng)絡(luò)，迭代并漸進(jìn)地計(jì)算超分辨率（SR）圖像和人臉的特征點(diǎn)，采用對(duì)抗損失來(lái)增加圖像的細(xì)節(jié)信息。該模型設(shè)計(jì)兩個(gè)分支的網(wǎng)絡(luò)結(jié)構(gòu)，一個(gè)分支為了人臉的恢復(fù)，另一個(gè)分支用于人臉特征點(diǎn)的計(jì)算，兩個(gè)分支互相逐步促進(jìn)，此外還設(shè)計(jì)了注意力融合模塊來(lái)將人臉圖像特征點(diǎn)進(jìn)行融合，而不是簡(jiǎn)單的連接。DICGAN算法在CelebA和Helen人臉數(shù)據(jù)集上進(jìn)行訓(xùn)練都取得了良好的效果。圖3-10為DICGAN不同步驟的視覺(jué)比對(duì)效果圖，結(jié)果顯示不同人臉的生成圖像逐步改善，最后一步生成高質(zhì)量和高保真的圖像。

圖16 DICGAN [18]方法不同步驟生成的效果圖

（二）未來(lái)發(fā)展趨勢(shì)

1.人臉識(shí)別領(lǐng)域未來(lái)的發(fā)展方向

當(dāng)前，基于卷積神經(jīng)網(wǎng)絡(luò)模型的人臉識(shí)別技術(shù)在公安實(shí)戰(zhàn)中的人臉驗(yàn)證、人臉辨別、人臉聚類(lèi)等方向有著很好的應(yīng)用前景，但對(duì)于低質(zhì)量人臉圖像的識(shí)別率和準(zhǔn)確率相對(duì)較低，給公安工作帶來(lái)一定程度的困擾。在實(shí)戰(zhàn)中動(dòng)態(tài)應(yīng)用場(chǎng)景下，人臉識(shí)別技術(shù)由于場(chǎng)景的不可控因素，采集到的圖片質(zhì)量和CNN模型訓(xùn)練圖片的質(zhì)量有很大差異，如人臉偏轉(zhuǎn)，大幅度側(cè)臉；運(yùn)動(dòng)模糊和離焦模糊；逃避偵查的刻意偽裝與遮擋，疫情防控下的口罩；低的光照強(qiáng)度和對(duì)比度；視頻傳輸由于封裝方式、有損壓縮和編解碼過(guò)程產(chǎn)生的人臉信息丟失；特殊人群和雙胞胎等，這些綜合因素都會(huì)導(dǎo)致目前現(xiàn)有基于卷積神經(jīng)網(wǎng)絡(luò)算法的準(zhǔn)確率極度下降。針對(duì)這些實(shí)戰(zhàn)應(yīng)用中遇到的問(wèn)題，人臉識(shí)別未來(lái)應(yīng)朝著綜合利用圖像增強(qiáng)技術(shù)和圖像生成技術(shù)的方向發(fā)展，如采用基于深度學(xué)習(xí)的框架對(duì)小尺寸模糊人臉進(jìn)行超分辨率重建和基于注意力機(jī)制對(duì)人臉圖像進(jìn)行去模糊處理等。

2.惡意代碼檢測(cè)技術(shù)研究方向

近年來(lái)，隨著深度學(xué)習(xí)方法不斷更新和發(fā)展，已代替?zhèn)鹘y(tǒng)方法成為惡意代碼識(shí)別的熱點(diǎn)研究方向，取得了較好的成就。通過(guò)惡意代碼收集獲取將其轉(zhuǎn)化為圖片格式的數(shù)據(jù)集和對(duì)其進(jìn)行均衡化處理，通過(guò)現(xiàn)有成熟的卷積神經(jīng)網(wǎng)絡(luò)來(lái)構(gòu)建惡意代碼檢測(cè)模型，從中提取惡意特征并進(jìn)行分類(lèi)。經(jīng)過(guò)訓(xùn)練和測(cè)試后的惡意代碼識(shí)別模型，識(shí)別率和精準(zhǔn)率較高，具有資源消耗低、操作簡(jiǎn)單方便和自動(dòng)化程度高等優(yōu)點(diǎn)。但是現(xiàn)有基于深度學(xué)習(xí)的檢測(cè)識(shí)別模型，還存在模型相對(duì)復(fù)雜、深層次特征提取能力偏弱、訓(xùn)練不穩(wěn)定、難度較高、模型泛化能力不足等問(wèn)題，需要進(jìn)一步探索和研究。

3.聲紋識(shí)別技術(shù)現(xiàn)在面臨的挑戰(zhàn)

卷積神經(jīng)網(wǎng)絡(luò)的出現(xiàn)，促進(jìn)了聲紋識(shí)別技術(shù)的迅猛發(fā)展，較傳統(tǒng)的方法在識(shí)別率和準(zhǔn)確率有較高的提升，但實(shí)際應(yīng)用中嘈雜的環(huán)境和各種復(fù)雜場(chǎng)景都對(duì)聲紋識(shí)別系統(tǒng)提出了巨大的挑戰(zhàn)。如短語(yǔ)音情況，待檢測(cè)語(yǔ)音所包含說(shuō)話(huà)人的信息不均衡，有些聲紋特征收集不全和不準(zhǔn)確，對(duì)聲紋識(shí)別的性能有著直接的影響，會(huì)導(dǎo)致檢材與樣本的匹配性嚴(yán)重下降；如噪音及混響因素[4]，在實(shí)際的應(yīng)用中總是或多或少地?fù)诫s著各種各樣的噪聲，在一定程度上不僅淹沒(méi)了語(yǔ)音信號(hào)中所蘊(yùn)含的語(yǔ)音信息，還使得聲紋識(shí)別系統(tǒng)無(wú)法獲取語(yǔ)音準(zhǔn)確的聲紋特征；如遠(yuǎn)場(chǎng)景應(yīng)用，在媒質(zhì)中傳播的聲音受到摩擦力的作用會(huì)隨著傳輸距離而衰減和消失，隨著距離的增加和周?chē)鷱?fù)雜環(huán)境中的噪聲疊加，會(huì)導(dǎo)致語(yǔ)音的信噪比和聲紋識(shí)別的性能?chē)?yán)重下降，視頻監(jiān)控中的語(yǔ)音尤為突出。如何能夠更廣泛地在公安實(shí)戰(zhàn)中應(yīng)用聲紋識(shí)別技術(shù)，使其成為案件偵破的重要手段，解決好短語(yǔ)音、遠(yuǎn)場(chǎng)應(yīng)用、噪音及混響等問(wèn)題是未來(lái)的發(fā)展方向。

4.深度學(xué)習(xí)在圖像超分辨率重建中的發(fā)展趨勢(shì)

深度學(xué)習(xí)技術(shù)的快速發(fā)展，以及硬件設(shè)施和超大規(guī)模數(shù)據(jù)的不斷完善，為圖像超分辨率領(lǐng)域提供了非常好的發(fā)展機(jī)遇?，F(xiàn)有基于深度學(xué)習(xí)模型的圖像超分辨率重建算法的性能已經(jīng)取得了長(zhǎng)足的進(jìn)步，但還有很多改進(jìn)空間。如何在放大任意比例時(shí)保證生成的高分辨率圖像質(zhì)量；如何構(gòu)建合理的評(píng)價(jià)機(jī)制，能夠有效評(píng)價(jià)圖像質(zhì)量；如何優(yōu)化模型結(jié)構(gòu)，使其訓(xùn)練過(guò)程快速收斂，能夠避免深層網(wǎng)絡(luò)梯度爆炸/消失、模型崩潰等問(wèn)題；如何滿(mǎn)足視頻偵查、無(wú)人機(jī)偵察、違禁物品檢測(cè)、刑偵分析、刑事圖像檢驗(yàn)、人臉識(shí)別等公安應(yīng)用領(lǐng)域的精確性和適用性的需求，這將是接下來(lái)圖像超分辨率重建領(lǐng)域在警務(wù)工作中的重點(diǎn)研究方向。

5.人臉面貌預(yù)測(cè)在公安實(shí)戰(zhàn)中的應(yīng)用前景

人臉面部蘊(yùn)含著豐富的視覺(jué)信息，在公安實(shí)戰(zhàn)中有著廣闊的應(yīng)用前景。基于深度學(xué)習(xí)的人臉老化技術(shù)可以預(yù)測(cè)一個(gè)人未來(lái)的樣子或他過(guò)去的樣子，經(jīng)常用于人臉識(shí)別、醫(yī)學(xué)、娛樂(lè)行業(yè)和電影特效制作中，未來(lái)在公安領(lǐng)域具有廣泛的實(shí)際應(yīng)用價(jià)值。除了在模擬失蹤、被拐賣(mài)人口的外觀、長(zhǎng)期潛逃套嫌疑人面貌預(yù)測(cè)，提供有價(jià)值的可比對(duì)人臉信息外，還可以應(yīng)用到公安科普教育中，例如禁毒教育，通過(guò)還原吸毒者吸毒前的容貌，或者預(yù)測(cè)吸毒后的面容進(jìn)行比對(duì)，直觀地展示毒品對(duì)人體造成的傷害，讓體驗(yàn)者更加深刻地認(rèn)識(shí)毒品的危害。還可以應(yīng)用于時(shí)間跨越較長(zhǎng)案件的串并中，由于當(dāng)時(shí)技術(shù)條件因素影響，在單個(gè)案件中，現(xiàn)場(chǎng)提取物證較少，線(xiàn)索缺失較多等情況致使無(wú)法將多起犯罪方法和方式相似的案件進(jìn)行串并，人臉面貌預(yù)測(cè)可以作為補(bǔ)充手段，將不同案件中犯罪嫌疑人的人像進(jìn)行前向預(yù)測(cè)和后向回溯，將生成后的不同案件中的人像進(jìn)行相互匹配和比對(duì)，查驗(yàn)出相似人員的身份信息及已連續(xù)作案信息，達(dá)到串并案件的目的。

四、深度學(xué)習(xí)在公安實(shí)戰(zhàn)應(yīng)用中未來(lái)拓展領(lǐng)域

深度學(xué)習(xí)的快速發(fā)展，以及硬件設(shè)施的不斷完善，為公檢法、智慧公安、平安城市、平安校園領(lǐng)域的公安實(shí)戰(zhàn)應(yīng)用注入新動(dòng)力，提供新的技術(shù)手段，未來(lái)在警務(wù)工作中還有諸多的應(yīng)用領(lǐng)域可拓展。

（一）卷積神經(jīng)網(wǎng)絡(luò)可拓展的領(lǐng)域

目前，作為深度學(xué)習(xí)的代表算法之一，卷積神經(jīng)網(wǎng)絡(luò)在很多領(lǐng)域都取得了相當(dāng)好的成就，在公安實(shí)戰(zhàn)中有諸多可擴(kuò)展的領(lǐng)域。如刑事技術(shù)中足跡和指紋識(shí)別等領(lǐng)域，能夠解決公安工作中犯罪嫌疑人和警用數(shù)據(jù)庫(kù)中的快速比對(duì)，具有快速、高效、準(zhǔn)確、便捷等特點(diǎn)。如人群異常行為檢測(cè)，對(duì)監(jiān)控視頻中行人的行為區(qū)分正常行為和異常行為，及時(shí)發(fā)現(xiàn)災(zāi)難和意外事件，可用于公安安防領(lǐng)域；如去霧、去噪、去模糊領(lǐng)域，能夠提升涉案圖像或視頻的質(zhì)量，增加細(xì)節(jié)和紋理信息，可以廣泛的應(yīng)用于公安工作中的圖像處理與檢驗(yàn)中。

（二）循環(huán)神經(jīng)網(wǎng)絡(luò)可拓展的領(lǐng)域

循環(huán)神經(jīng)網(wǎng)絡(luò)能夠有效的處理具有序列特性的數(shù)據(jù)，模擬人腦記憶功能，挖掘數(shù)據(jù)中的時(shí)序信息以及語(yǔ)義信息，可應(yīng)用于公安工作中很多涉及自然語(yǔ)言處理的方面。如序列文本內(nèi)容分析，用來(lái)識(shí)別文章的主題進(jìn)行網(wǎng)絡(luò)輿情的分析與趨勢(shì)預(yù)測(cè)，是未來(lái)信息安全領(lǐng)域的重點(diǎn)研究方向；序列文本比對(duì)，用來(lái)比較不同文檔的相關(guān)程度，可用于公安保密工作；時(shí)間序列預(yù)測(cè)，根據(jù)公安警務(wù)大數(shù)據(jù)建立犯罪預(yù)測(cè)模型，實(shí)現(xiàn)交通流預(yù)測(cè)、區(qū)域犯罪率預(yù)測(cè)、警情預(yù)測(cè)等，合理調(diào)配警力，提升工作效率。

（三）生成對(duì)抗網(wǎng)絡(luò)可拓展的領(lǐng)域

目前，生成對(duì)抗網(wǎng)絡(luò)除了在面貌預(yù)測(cè)、計(jì)算機(jī)視覺(jué)等領(lǐng)域有不錯(cuò)的應(yīng)用，對(duì)公安工作還有著廣泛的前景。如圖像翻譯、圖像修復(fù)、人像生成等領(lǐng)域，能夠解決公安工作中圖像模糊、關(guān)鍵人臉部分有遮擋，目擊人描述重塑嫌疑人面貌等亟待改善的問(wèn)題。圖像翻譯可以根據(jù)輪廓圖像生成照片、根據(jù)一張圖像生成多模態(tài)圖片，可應(yīng)用于公安夜間偵查方面，使圖像中人車(chē)物具有更高辨識(shí)率；圖像修復(fù)以圖像缺失部分的周邊像素為條件生成完整的修復(fù)圖像，能有效移除嫌疑人人臉圖像中的遮擋物并用于人臉識(shí)別。GANs可以進(jìn)行文本到圖像的轉(zhuǎn)換，根據(jù)目擊人對(duì)嫌疑人體貌特征的描述，進(jìn)行關(guān)鍵字的識(shí)別，自動(dòng)生成犯罪嫌疑人人像圖像。

未來(lái)警務(wù)工作必將向著更便捷、更安全、更高效、更精準(zhǔn)的方向發(fā)展，深度學(xué)習(xí)技術(shù)在公安應(yīng)用中有著巨大的發(fā)展前景，會(huì)大大提升公安工作效率，給公安工作帶來(lái)新的技術(shù)變革。

結(jié)語(yǔ)

本文在對(duì)深度學(xué)習(xí)進(jìn)行廣泛研究的基礎(chǔ)上，對(duì)深度學(xué)習(xí)相關(guān)技術(shù)在公安實(shí)戰(zhàn)中的應(yīng)用前景進(jìn)行了分析與研究，包括卷積神經(jīng)網(wǎng)絡(luò)、循環(huán)神經(jīng)網(wǎng)絡(luò)、生成對(duì)抗網(wǎng)絡(luò)模型三種深度學(xué)習(xí)常見(jiàn)模型的介紹，研究和探討了相關(guān)算法在公安實(shí)戰(zhàn)業(yè)務(wù)中的應(yīng)用前景，并提出相關(guān)領(lǐng)域存在的不足和進(jìn)一步發(fā)展趨勢(shì)，闡述了不同模型未來(lái)可拓展的領(lǐng)域。

近年來(lái)，深度學(xué)習(xí)作為當(dāng)前科技最前沿技術(shù)之一，在計(jì)算機(jī)視覺(jué)、自然語(yǔ)音處理、生物信息學(xué)、自動(dòng)控制和網(wǎng)絡(luò)信息安全等領(lǐng)域中都取得了突破性進(jìn)展，為智慧警務(wù)的建設(shè)和實(shí)現(xiàn)公安實(shí)戰(zhàn)應(yīng)用智能化、現(xiàn)代化和高效化提供了非常好的技術(shù)支撐。雖然現(xiàn)有的警務(wù)工作中有深度學(xué)習(xí)的身影，但覆蓋范圍并不廣，有著廣泛的可拓展領(lǐng)域，還有很多改進(jìn)空間。如何解決計(jì)算量大、便攜性差的問(wèn)題，深度學(xué)習(xí)需要對(duì)大量的數(shù)據(jù)進(jìn)行計(jì)算，硬件設(shè)施要求教高，很多應(yīng)用還不適合在移動(dòng)設(shè)備上使用；如何構(gòu)建和優(yōu)化深度網(wǎng)絡(luò)模型，深度學(xué)習(xí)的模型設(shè)計(jì)非常復(fù)雜，需要投入大量的人力物力和時(shí)間來(lái)開(kāi)發(fā)和優(yōu)化特定的公安實(shí)戰(zhàn)應(yīng)用算法和模型；如何提升模型泛化能力，深度學(xué)習(xí)依賴(lài)訓(xùn)練數(shù)據(jù)，并且可解釋性不高，極易陷入局部最優(yōu)，并不能很好地預(yù)測(cè)未知的數(shù)據(jù)等，這將是深度學(xué)習(xí)在公安實(shí)戰(zhàn)應(yīng)用中未來(lái)重點(diǎn)研究的方向。