既然深度學習的優勢如此明顯，并且這套方法在80年代末就被提出，那么為何直到近兩年才開始崛起并超越人類呢？總結起來，主要有三大因素共同決定了深度學習在近幾年才開始大爆發：數據規模，計算能力，網絡架構。
首先，大數據是深度學習成功的重要路基。在如今的互聯網時代，數據量的累積是爆炸式的，越來越多的領域正持續積累著日趨豐富的應用數據，這對深度學習的進一步發展和應用至關重要。不過大數據收集是有成本的，并且標注成本已經開始水漲船高，樣本的好壞直接決定了模型的度，所以只有擁有一定技術實力的公司才能持續投入研究。在安防領域，像海康威視等有自主研發實力且在安防行業深耕多年的公司，運用大量真實視頻監控場景的視頻、圖片數據作為訓練樣本庫，數據量大且質量較好，通過超過百人團隊的數據組，對視頻圖像打標簽，積累了別的樣本數據，在使用這些數據量大且質量良好的樣本不斷訓練下，對安防監控場景下的人、車、物進行模式識別的模型也會越來越。
其次，高性能硬件平臺計算是引擎助力。深度學習模型需要大量的樣本，這就避免不了大量的計算，而以前的硬件設備不足以訓練出復雜的上百層的深度學習模型。2011年谷歌DeepMind用了1000臺機器、16000個CPU處理的深度模型大概有10億個神經元，而現在，只要用幾個GPU，我們就可以完成同樣的計算，并且迭代速度更快。因此，GPU、超級計算機、云計算等高性能硬件平臺的迅猛發展讓深度學習成為可能，強大的計算能力有助于深度學習算法快速實現驗證，并積累更多經驗進行模型修正，進一步提高模型精度。
zui后，算法網絡的結構創新是燃料。通過深度學習算法的不斷優化，可以更好地識別目標物。在安防領域，對于一些復雜場景，比如人臉識別，光照、角度、姿態、表情、飾物、分辨率等都會影響識別準確率，這要求算法模型具有更強的泛化能力，深度學習模型需要進一步優化。深度學習算法的層次越深，性能就會越好，目前海康威視的深度學習算法層次已經達到200層，處于業界。在2016年ImageNet競賽中，海康威視研究院基于Faster R-CNN深度學習目標檢測算法排名*，盤踞近一年的第二名微軟4.1個點，刷新紀錄。另外，海康威視關于車輛檢測和車頭方向評估技術在KITTI測評中排名世界*，關于多目標跟蹤技術在MOT Challenge測評中結果排名世界*。
總的來說，隨著安防大數據的快速積累、大規模并行計算的高速發展、更優化算法的不斷出現，是深度學習算法崛起不可忽視的條件。
