gwalior，国会议员摘要：在本评论文章中研究了将深度学习方法纳入公共安全视频调查系统，并特别注意其改善实时监视和预防犯罪的转型能力。随着机器学习和计算机视觉的快速发展，包括卷积神经网络在内的深度学习模型以及经常性的神经网络（RNN）表明，在自动化视频监视任务（包括查找对象，活动识别和异常检测）的自动化能力方面表现出惊人的能力。这些模型对公共安全行动非常有用，因为它们可以使人群管理，可疑行为的识别以及盗窃或殴打等特定的行动。在研究这些系统的技术架构时，本文强调了零件边缘计算和云计算的效果，以允许可扩展性和实时数据处理。Edge Computing提供局部处理以降低延迟并增加响应时间，但基于云的解决方案保证了大量视频信息的完美集成和存储。此外，该研究解决了在公共安全中应用深度学习的困难，包括隐私问题，数据安全，道德问题以及法律的必要性。尽管存在这些困难，但该研究强调了这些技术如何帮助增强安全操作，降低人为错误并提高运营效率。未来的研究方向（例如改善模型的鲁棒性，结合多模式数据源，创建更符合道德和透明的人工智能系统）也来自审查。最后，本文提供了公共安全视频调查系统中深度学习的当前情况和未来可能性的详细概述，从而阐明了他们改变公共安全现场的能力。关键字：深度学习，公共安全，视频监视，异常检测，云计算