深度学习在人脸方面的应用，目前已经看到deep learning在人脸表示和人脸特征点定位方面的工作，相信后续会有更多更好的工作出现；
大规模人脸搜索相关的应用近来开始被大家关注（比如近百度上线的人脸搜索），这些应用中除了需要传统的人脸表示，还需要关注如何能够快速准确地在大规模人脸数据库中搜索到相似人脸，当然这部分工作可以借鉴其他视觉搜索中的方法，但人脸可能也会有自己的特殊性；
基于3D模型和具有深度信息的人脸识别的方法，在允许使用特殊设备的实际应用中，可以考虑用3D模型和深度信息来提高系统的稳定性；
在做人脸识别实际系统时，可以更关注姿态、遮挡、表情变化对于识别效果的影响，对于人脸光照问题，人脸识别门禁系统，虽然之前学术界关注很多，但是对于实际数据（非实验室的光照模拟数据），可能基于大规模训练数据和feature learning就可以比较好的解决，反而是由于目前的人脸表示框架，对于大的姿态变化，遮挡以及表情变化引起的表观改变，很多情况下表现并不好，可能需要重新改变目前的人脸表示方式，比如采用类似推荐9中的方式，采用多个局部模型而不是一个整体模型来进行表示，还可以考虑一些人脸姿态/表情矫正方法；
学术界的朋友，鉴于目前LFW上面已经做到准确率95%（引入外部训练数据且无约束训练协议），可以考虑创建一个更大的人脸库（如果能达到真正意义上的大规模数据就更赞了），设计一个更加合理的评测协议，这必将成为一个非常有影响力的工作；
深度学习框架国内外竞争已是红海事实上，如果我们看Github上不同深度学习框架受欢迎的程度，可以看到的是谷歌的TensorFlow相对优势非常明显。此外，从2017年开始，脸书的pytorch也增长较快，银行人脸识别门禁系统，在学术界大受欢迎。但是总体来说，很多大型互联网公司推出了自己的开源深度学习框架，但是还是没有在市场上站住——说
明先发优势是非常明显的。这也符合逻辑，深度学习框架还是具有规模优势，用的人多了，边际成本就低，很容易形成一家通吃的局面。这就跟移动操作系统一样，安卓之前也有不少其他的系统，但是大家发现越来越少，直至剩下安卓和iOS的PK。从国家安全的角度来考虑，不管是Tensorflow也好还是pytorch也罢，都不太可能成为中国的AI产业通用的深度学习框架。也正是看到了这个机会，国内的互联网公司也纷纷都在做自己的开源框架产品。所以从道理上来说，旷视推出开源框架天元，也是有抢占山头的意思。不过现在这个山头也非常拥挤。从商业上来看，旷视跟巨头比体量不足，起步较晚，能不能赶得上盛宴很难讲。开
源深度学习框架对于旷世来说价值几何开源深度学习框架的AI企业，其目的，无非是提供一个基础设施，在这个上面培育一整个AI产业生态出来。如此，作为基础设施的提供方，工厂的人脸识别门禁系统，才能够实现其商业价值。开发的成本不低，如果后面产业没有培育起来，投入产出必然不匹配，亏损就极有可能发生了。这也是为什么我们看到，大部分深度学习框架是一个打磨的过程。广大不断使用，不断更新，围绕具体的需求不断升级，同时逐步围绕框架建立起上下游的生态，这样形成的深度学习框架才会有长期的竞争力。国内做深度学习框架的企业很多，在这片红海里面要脱颖而出，依靠的是综合竞争力——不能有任何的短板。
人脸识别产业链以人脸识别算法作为中间层 ， 其上游为器件 、 通用硬件 、基础软件 ， 上游提供了人脸识别算法的输入 、 训练 、 开发和运行环境 ；
下游为设备和产品 ， 终体现为解决方案 ， 下游是人脸识别算法的产品形态 。从产业链上游来看 ， 国内厂商 （ 以华为 、 寒武纪为代表 ） 在芯片设计方面有较强实力 ， 在芯片制造方面 ， 除去手机等对芯片精密程度要求较高的设备 ，国内厂商具备制造芯片的能力 。但芯片的制造工艺以及基本元器件都被国外垄断 ， 成为制约上游厂商发展的瓶颈 。
从人脸识别算法层面来看 ，楼宇的人脸识别门禁系统， 国内厂商具备优势 ， 但数据隐私问题 、 人种 /地域带来的算法性能公平性问题 ， 是国内厂商急需解决的问题 。产业链下游 ， 人脸识别应用越来越广泛 ， 甚至出现过度滥用用户隐私的事件 。攻击 、 非攻击对人脸识别系统安全性也提出了挑战 ， 用户隐私保护和安全性成为掣肘 ， 急需相关政策法规来规范市场 。
人脸识别门禁系统-工厂的人脸识别门禁系统-谷华科技由湖北谷华科技有限公司提供。湖北谷华科技有限公司在电脑产品加工这一领域倾注了诸多的热忱和热情，谷华科技一直以客户为中心、为客户创造价值的理念、以品质、服务来赢得市场，衷心希望能与社会各界合作，共创成功，共创。相关业务欢迎垂询，联系人：张经理。