既然深度学习的优势如此明显，并且这套方法在80年代末就被提出，那么为何直到近两年才开始崛起并超越人类呢？总结起来，主要有三大因素共同决定了深度学习在近几年才开始大爆发：数据规模，计算能力，网络架构。
首先，大数据是深度学习成功的重要路基。在如今的互联网时代，数据量的累积是爆炸式的，越来越多的领域正持续积累着日趋丰富的应用数据，这对深度学习的进一步发展和应用至关重要。不过大数据收集是有成本的，并且标注成本已经开始水涨船高，样本的好坏直接决定了模型的度，所以只有拥有一定技术实力的公司才能持续投入研究。在安防领域，像海康威视等有自主研发实力且在安防行业深耕多年的公司，运用大量真实视频监控场景的视频、图片数据作为训练样本库，数据量大且质量较好，通过超过百人团队的数据组，对视频图像打标签，积累了别的样本数据，在使用这些数据量大且质量良好的样本不断训练下，对安防监控场景下的人、车、物进行模式识别的模型也会越来越。
其次，高性能硬件平台计算是引擎助力。深度学习模型需要大量的样本，这就避免不了大量的计算，而以前的硬件设备不足以训练出复杂的上百层的深度学习模型。2011年谷歌DeepMind用了1000台机器、16000个CPU处理的深度模型大概有10亿个神经元，而现在，只要用几个GPU，我们就可以完成同样的计算，并且迭代速度更快。因此，GPU、超级计算机、云计算等高性能硬件平台的迅猛发展让深度学习成为可能，强大的计算能力有助于深度学习算法快速实现验证，并积累更多经验进行模型修正，进一步提高模型精度。
zui后，算法网络的结构创新是燃料。通过深度学习算法的不断优化，可以更好地识别目标物。在安防领域，对于一些复杂场景，比如人脸识别，光照、角度、姿态、表情、饰物、分辨率等都会影响识别准确率，这要求算法模型具有更强的泛化能力，深度学习模型需要进一步优化。深度学习算法的层次越深，性能就会越好，目前海康威视的深度学习算法层次已经达到200层，处于业界。在2016年ImageNet竞赛中，海康威视研究院基于Faster R-CNN深度学习目标检测算法排名*，盘踞近一年的第二名微软4.1个点，刷新纪录。另外，海康威视关于车辆检测和车头方向评估技术在KITTI测评中排名世界*，关于多目标跟踪技术在MOT Challenge测评中结果排名世界*。
总的来说，随着安防大数据的快速积累、大规模并行计算的高速发展、更优化算法的不断出现，是深度学习算法崛起不可忽视的条件。
