邊緣分析在市場上行之有年，並非新的概念，卻因為技術瓶頸限制其發展。隨著CPU處理效能的改善、物聯網（IoT）越趨普遍，以及深度學習演算法納入影像分析中，突破了發展瓶頸。如今，邊緣分析的需求正持續成長，除了應用日漸普及外，在準確率以及效率上也有明顯增長。當分析處理從後端伺服器轉移到前端攝影機時，邊緣分析預料將可提供使用者更準確、有效率的實時（real-time）資訊分析。
根據Research & Market的調查顯示，市場預期邊緣分析需求量將在5年內，從2016年的19億美金成長到80億美金，年複合成長率達32.6%。報告中也指出，物聯網的出現，讓大量資料能透過設備的連結加以收集，而邊緣分析的可擴充性以及成本優化等因素帶動了市場成長，使其應用比例增加。此外，政府對物聯網和雲端技術的推動也促使邊緣分析的應用更上層樓。
從區域面來看，年複合成長率最高將會落在亞太區。而該調查報告中也指出，使用先進的分析解決方案來建構邊緣分析技術的大量需求，為資料的實時處理提供完整的支援，促進企業了解實際業務狀況，並採取更快、更正確的策略。除市場增長外，邊緣分析的新發展是應用在智慧攝影機，而深度學習演算法和處理能力的發展不僅帶動成長，更提升分析效果。
擁抱「深度學習」
自影像分析問世至今，技術上已有長足的進步，並從原本緩慢的分析速度逐漸朝邊緣分析演進。目前，安防產業已經將邊緣分析的最新技術應用在智慧化攝影機的產品開發上。
深度學習是其中最重要的技術，屬於機器學習（Machine Learning）的一部分。藉由納入深度學習演算法到邊緣分析技術中，使安防影像分析結果更精準也更有效率。事實上，IDC的市場分析報告預測，在2019年時，藉由分散式或整合式處理器，所有物聯網結果都將結合串流分析，以數據湖（Data Lakes）、決策樹（Mart，一種基本分類與迴歸算法）以及內容存儲（Content Store）等方式來訓練機器學習。
業界人士也對此表示認同，海康威視產品行銷經理Shell Guo表示，最新的智慧化發展就是深度學習，傳統的智慧化演算法仍有許多缺陷，尤其是在精準度以及誤報率上遲遲無法突破。
大華科技海外行銷總監Daniel Chau也指出，「對安防監控攝影機的邊緣分析而言，目前正處於從傳統的智慧演算法轉換成深度學習演算的過程。採用最新的人工智慧技術，將演算法整合到前端攝影機中，能從獲取的人、車、物資料進行辨識或偵測意外發生。」
Intel新技術集團副總暨Movidius總經理Remi El-Quazzane也有類似想法。「從我們的角度來看，最大的發展將落在兩個區塊：第一，藉由深度神經網絡來提高影像分析演算的準確率;第二，則是過往透過電腦處理的這些演算法納入視覺處理晶片（Vision Processing Units , VPU）」。
透過深度學習演算法應用至邊緣分析，可以訓練機器設備過濾不重要的資料，使得在大數據資料世界中能更省時、省錢及省力。
處理能力的挑戰
對於邊緣分析來說，處理能力是目前面臨的最大挑戰。根據Chau說法，邊緣分析的成功應用取決於低功耗、高性能的計算平台是否可以整合到攝影機中。El-Ouazzane也強調，最重要的部分在於能否以最小功率範圍提供最大處理能力，以便建構基於神經網絡的新深層演算法。「我們已經確定，雖然深層神經網絡大幅提高傳統方法的準確性，但這些效果是需要付出代價的。深層神經網絡可能會使功能準確度從90%提高到99%，同時增加功耗。」
身負提高性能的重責大任，Intel的Movidius集團持續不斷研發相關VPU，盡可能達到高效運行這些類型演算法的目的。透過Myriad 2視覺處理晶片，將可為電腦的深層神經網絡和其他視覺演算法提供無與倫比的計算效率，同時限制功率在1瓦以下。
高通科技產品管理總監Danny Petkevich也提到，能否提供足夠強大而準確的分析處理能力，是邊緣分析發展的主要挑戰。高通新開發了一套全面性的攝影機平台，具備硬體強化、攝影機深度學習以及影像分析的功能。Petkevich對此解釋，相較於其他攝影機整合系統晶片（SoC）僅提供一個或兩個CPU內核，限制了大量資訊分析處理的應用方式，該平台以高通的Snapdragon 625為基礎，旨在藉由GPU和DSP（數位訊號處理器）提供40%的CPU DMIP，應用於高級成像和深度學習處理。其中的一些功能可由8個A53 CPU內核與GPU一起運行達2.2GHz。他進一步說明，其晶片提供了更高的精準度以及更強的穩健性，在追蹤高速物體時具備更高的幀速率，以及更高的分辨率可以看到更遠距離的物體，而這些都只是藉由更好的處理能力繼續推動邊緣分析的一些方法。
邊緣分析的效益
邊緣分析具有許多不同優點，從實時分析、更高準確度以及更有效率等，未來勢必還能提供更多不同功能。
Chau指出幾個邊緣分析主要功能如下：「首先，攝影機內建智慧辨識功能的產品日漸增加，再結合其他感應技術，獲得超越人類的辨識能力;其次，攝影機集中能做到資料衝擊以及雲端運算處理。邊緣分析主要能改善監控效率，並降低人力需求，此外還能在人員監督下達到智慧監控目的。」
Chau解釋邊緣分析採用了分散式架構影像資料處理，並將攝影機獲得儲存資料中的每一段都實時進行計算與分析，然後可將其處理成結構化的自然語言描述，以發送回後端存儲和監控中心。他認為，如此一來可以在不依賴後台伺服器的情況下，在遇到緊急事件時能進行即時辨識、分析和報警觸發。這也意味著可以為成千上萬進行城市監控系統等專案的實時智慧監控攝影機，執行超大規模的影像分析和處理。
減少後台伺服器上的工作同時也能減少頻寬使用。海康威視產品行銷經理Shell Guo舉例：「例如，車牌辨識使用前端攝影機擷取車輛圖檔，影像辨識演算法也在攝影機中處理，只有符合所定義規則的資料才會透過網路被傳送到後端伺服器。如果大量原始資訊在一開始就被發送到後端伺服器進行處理，對網路頻寬的需求量將非常高。與邊緣分析相比，後端伺服器能進行整體性分析，相對減少分析錯誤的風險，然而一旦伺服器發生問題，後果將更加嚴重，而邊緣分析則可將這種風險分散到不同的地方。藉此，邊緣分析更有助於節省較多的傳輸頻寬消耗。」
EL-Ouazzane則解釋了如何可以藉由從原始發送轉換到僅包含元數據（metadata），或更實際的時間段或特定區域編碼來減少頻寬使用。他表示：「藉由分散式架構來降低網路斷線機率，使得網路架構的穩定性更強化。PTZ網路攝影機可以追蹤移動中或分散在各個地點、各種令人感興趣的事件，而相關設備的智慧化也將引起大量新型自主應用方式。」
緩慢而沉穩的步伐
如果我們從監控影像分析中學到任何事，那就是了解市場成長與實際應用是一段緩慢如烏龜爬行般的過程。無論如何，分析技術不斷發展，將成為影像監控的重要組成部分。隨著科技的不斷進步，其準確性和連接性將無可避免地越來越高，邊緣分析在深度學習的幫助下勢必持續改進，也許有一天長久以來的期望將會成真。