公共安全应用 视(音)频智能识别算法评估和管理要求.pdf

公共安全应用视(音)频智能识别算法评估和管理要求

1范围

本标准规定了公共安全应用领域视(音)频智能识别算法评估、管理要求。

本文件适用于开展公共安全应用领域智能算法应用的用户方、算法提供商、第三方评估机构，其他

人工智能领域可参考使用。

2规范性引用文件

下列文件对于本文件的应用是必不可少的。凡是注日期的引用文件，仅注日期的版本适用于本文件。

凡是不注日期的引用文件，其最新版本（包括所有的修改单）适用于本文件。

GB/T41867-2022信息技术人工智能术语

GB/T41786-2022公共安全生物特征识别术语

GB/T42888-2023信息安全技术机器学习算法安全评估规范

GB/Z42759-2023智慧城市人工智能技术应用场景分类指南

T/CESA1021-2018人工智能深度学习算法评估规范

3术语、定义和缩略语

3.1术语和定义

GB/T41867-2022、GB/T41786-2022、GB/T42888-2023、T/CESA1021-2018界定的以及下列术语

和定义适用于本文件。

3.1.1

智能识别intelligentrecognition

通常包括数据驱动、特征提取和自我学习等阶段，通过计算机技术对感知信息（如图像、视频、音

频等）进行自动分析，进而获得其中的物体对象或行为事件的描述和解释的过程。

注：公共安全领域视(音)频智能识别典型算法为GB/Z42759-2023规定的城市治理中人工智能技术的应用场景中智慧安防领域中的智能布控、

智能事件分析、步态预警、人证核验、车牌识别、人群聚集检测、语音识别等，不包括城市治理中人工智能技术的应用场景中其他领域如智慧

应急、市场监管等场景相关算法。

3.1.2

机器学习算法machinelearningalgorithm

依据给定的准则，根据数据确定机器学习模型参数的算法。通过机器学习、深度学习、模式识别等

技术，从输入的数据中提取出有用的信息，如物体对象或行为事件的描述和解释。

[来源：GB/T41867-2022,3.2.12，有修改]

注：智能识别算法的目标是使机器能够模拟人类的感知和识别能力，实现对复杂环境的感知和理解。

3.1.3

4

机器学习模型machinelearningmodel

利用深度学习、神经网络等技术，通过不断优化和调整模型参数生成推理或预测的计算结构，用于

实现智能识别任务。

[来源：GB/T41867-2022,3.2.11，有修改]

3.1.4

二分类算法binaryclassificationalgorithm

一种对给定输入数据，输出其所属的一个类别的机器学习算法。

3.1.5

多分类算法multi-classclassificationalgorithm

一种对给定输入数据，输出其所属的多个类别的机器学习算法。

3.1.6

时效性timeliness

以时间参数来衡量算法在处理信息或数据时的时间效率和响应速度。它衡量了算法在给定时间内完

成识别任务的能力，以及对于新数据或实时数据的处理能力。

3.1.7

精准率（查准率）precision

对于给定的数据集，预测为正例的样本中真正例样本的比率。

[来源：T/CESA1021-2018,2.6，有修改]

3.1.8

召回率（查全率）recall

对于给定的数据集，预测为真正例的样本占所有实际为正例样本的比率。

[来源：T/CESA1021-2018,2.7，有修改]

3.1.9

准确率accuracy

对于给定的数据集,得到正确结果的样本数占总样本数的比率。

[来源：GB/T42888-2023,3.6]

3.1.10

对抗样本adversarialexamples

在正常数据集中通过故意添加细微干扰所形成输入样本，受干扰之后的输入可导致模型以高置信度

给出错误的输出。

[来源：T/CESA1021-2018,2.10，有修改]

注：用于评估对抗性样本对算法的影响的对抗样本包括以下类型：