Neyse ki erken mezun oldum ve yüz tanıma yoklamasından başarıyla kaçındım
Öğretmen yüz tanıma ile aramayı bitirmeye başladığında, bunu düşünmeyi bırakalım. Diğer gün" Sınıf bakım sistemi "In ekran görüntüsü İnternette çok tartışıldı. Sistem, sınıfta öğrenmenin verimliliğini artırmak için sınıftaki öğrencilerin portrelerini ve davranışlarını belirlemek için büyük veri, derin öğrenme ve diğer teknik araçları kullanır. Bu, öğrencilerin öğrenmesi için öğretmene yardımcı olamaz, ancak Bir çok iş yapıldı.
Görüntü kaynağı: @
Aslında yüz tanıma uygulaması hayatımızın birçok sahnesinde zaten uygulanmıştır. Örneğin, Lanzhou'daki bir üniversitenin kantini, öğretmenlerin ve öğrencilerin hesaplarını yerleştirmek için "yüzlerini kaydırmalarını" sağlamak için yüz tanıma teknolojisini kullanıyor; Emeishan Manzara Alanı, yerinde avatar ve kimlik fotoğrafının karşılaştırılması yoluyla 20 Eylül'de bilet kontrolü sırasında yüz tanıma teknolojisini kullanacak ...
Yüz tanıma teknolojisi yaygın olarak kullanılırken nasıl oluşturulur ve kullanılır?
Yüz tanımanın doğuşu
İnsan vücudunun en temsili kısmı olan yüz, ifadelerin taşıyıcısıdır.Hemen hemen tüm insan duygu değişiklikleri, yüzün zenginliğine ve gizemine katkıda bulunan yüzdeki ince değişikliklerle aktarılabilir.
Resim kaynağı: Pixabay
İnsanlar uzun zamandır yüzün bir kişiyi tanımanın en önemli, temel ve en uygun yolu olduğunun farkına varmışlardır. Bilgisayar icat edildikten sonra, yüz tanıma doğal olarak bilgisayar grafiklerinin önemli bir konusu haline geldi; yapay zeka çağında, makine görmesinde (veya bilgisayarla görmede) sıcak bir nokta haline geldi. Ancak ister bilgisayar grafikleri isterse makine görüşü olsun, temel fotoğraflardır.
Yüz tanıma teknolojisi üzerine yapılan ilk araştırma, ABD Silikon Vadisi'nde yapıldı. 1960 yılında, yapay zeka uzmanı Bledsoe, ABD Kaliforniya'da Panorama Laboratuvarı'nın kurulmasına öncülük etti ve ABD Savunma Bakanlığı'ndan yüz tanıma üzerine araştırma yapmak için fon aldı.
Bledsoe, insan yüzlerinin geometrik özelliklerine dayanan ve sonraki 20 yıllık araştırmanın yönünü ve temelini oluşturan bir tanıma yöntemi önerdi. Geometrik yöntem, yüzün çeşitli organlarının konumunu ve boyutunu doğru bir şekilde ölçmek ve ardından yüzü tanımak için bu organların boyutu, konumu, dağılım mesafesi ve oranının geometrik ilişkisini kullanmaktır. Bu işlem çok fazla manuel yardım gerektirir.İlk önce göz bebeklerini, gözlerin köşelerini, güzelliklerin ucunu, ağız köşelerini ve diğer önemli kısımları işaretleyin.Koordinatlarını belirledikten sonra ağız genişliğini, gözlerin genişliğini ve göz bebeği ile göz bebeği arasındaki mesafeyi hesaplayın. Bu konum ve mesafe verileri, yüzleri karşılaştırmak için kullanılır.
Özetle, erken yüz tanıma, otomatik tanıma yerine yalnızca bilgisayar yardımı kullandı.Erken keşifler ayrıca araştırmaya katılan tüm bilim adamlarının yüz tanımanın tırmanması zor bir zirve olduğunu fark etmelerini sağladı. İnsan yüzünün fizyolojik yapısı aynı olmakla birlikte kaş, göz, burun, ağız ve yanaklardan oluşur ve her bir parçanın benzerliği de çok yüksektir ancak bu parçaların birleşimi neredeyse sonsuz değişiklikler gösterebilir. Tıpkı iki yaprak birbirinin aynısı olmadığı gibi, dünyada iki özdeş yüz yoktur.Yüzlerin farklılığı ve çeşitliliği inanılmaz.
Resim kaynağı: unsplash
Yüz tanımanın operasyonel zorlukları
1960'larda bilgisayar bilimcileri şunu açıkça fark etmişlerdi: Yüz tanımanın özü, özellikleri çıkarmaktır. Bir gün bilgisayarlar insan yüzlerinin özelliklerini otomatik olarak yakalayabiliyorsa, yüz tanıma sorunu çözülebilir mi? Bilim adamları, araç inovasyonuna, yani yapay zeka araştırmalarına odaklanmaya başladı.
Yapay zeka kavramının başlangıcında insanlar, makineye mantık ve muhakeme yeteneği verildiği sürece, makinenin insanlara yargılarda bulunmada yardımcı olacak veya onları değiştirecek belirli bir düzeyde zekaya sahip olabileceğine inanıyordu. Amerikalı bilgisayar bilimcisi Feigenbaum, bir makinenin akıllı olabilmesi için sadece muhakeme yeteneğine değil, çok fazla bilgiye sahip olması gerektiğine inanıyor.
Ancak, insanlık kısa sürede yeni çelişkiler keşfetti. Tüm uzman sistemler, yalnızca bir profesyonel alana uygulanabilen özel bilgiye odaklanır, ancak insan bilgisi sonsuzdur ve sürekli güncellenir.Bilgisayar bilimcileri, insan bilgisini özetler ve sonra bunları bilgisayarlara tek tek öğretir. Zaman alır ve asla öğretilemez.
Sonuç olarak, aniden yeni ve tuhaf bir soru ortaya çıktı: Bir makine bilgiyi kendi başına öğrenebilir mi? Eğer öyleyse, nasıl başarılabilir? Makinelerin öğrenip öğrenemeyeceği sorusundaki tartışma ve ortaya çıkan farklılıklar sonunda yapay zeka çemberini iki net kampa böldü. Bir grup biyonik grup, öğrenmenin insan beyninin benzersiz bir işlevi olduğuna inanıyorlar, yapay zekanın ancak beyni simüle ederek gerçekleştirilebileceğine, diğer grup ise matematiksel grup, bilgisayarların insan beynini taklit etmesine gerek olmadığına inanıyorlar. Kuşların kanatlarını taklit eder, ancak iki "kanadın" mekanizmaları tamamen farklıdır ve uçaklar kuşlardan daha hızlı uçarlar.
Resim kaynağı: unsplash
Yapay zeka konusunun kurucusu olan McCarthy, sağlam bir matematik okuludur. Yapay zeka yöntemlerinin kurallara ve mantığa dayanması gerektiğini öne sürdü. Biyonik araştırmalar, insanın beyin ve sinir sistemi anlayışından kaynaklandı. 20. yüzyılın başında insanlar, sinir fonksiyonunun temel biriminin nöron olduğunu keşfettiler. İnsan beyninin yüz milyarlarca nöronu vardır.Her nöronun kendi işlevi vardır, birbirlerine bağlıdırlar ve bilgiyi birlikte işlerler. Nöronların bu yapısı insanlara büyük bir ilham kaynağı oldu.İnsanlar nöronları taklit etmeye ve bilgisayarlardan karar alma birimleri oluşturmaya başladı. Daha sonra, sinir ağları makine öğreniminin en endişeli ve en tartışmalı yöntemi haline geldi.
Sözde makine öğrenimi, büyük miktarda veriyle kendi kendine organize olabilen ve kendi kendine öğrenebilen bir matematiksel model eğitmek ve daha sonra bu modeli diğer senaryolarda sonuçları tahmin etmek için daha fazla senaryoda kullanmaktır. Bu süreç, insanların karar verme sürecine oldukça benzer.
Bu süreçte bilgisayar insanlardan daha akıllı değil, insanlardan daha yeteneklidir. Büyük miktarda hesaplama nedeniyle, sıradan insanlar aynı anda dört veya beş bağımsız değişkeni dikkate alır ve beyin bunalır. Bilgisayarlar aynı anda yüzlerce, hatta on binlerce değişkeni göz önünde bulundurabilir ve kısa sürede çok büyük ve karmaşık hesaplamalar yapabilir ki bu, insan beyninin eşleştirmesi zordur.
Yüz tanıma oranını iyileştirin ve hayat sahnelerinde kullanılmasına izin verin
2006 yılında, Carnegie Mellon Üniversitesi'nde profesör olan Hinton, "Science" dergisinde derin ağlar kavramını ve derin öğrenme yöntemini önerdiği bir makale yayınladı. Derin öğrenme, insan sinir ağlarının mekanizmasını tam olarak taklit etmeye çalışır: her nöron saklanabilir veya hesaplanabilir Hesaplama ve depolama dağıtılır.Her katmandaki her nöron, önceki katmanın girişini kabul eder ve bir nöron gibi davranır. Eleman bir bilgi parçasını işledikten sonra, bilgi diğer nöronlara iletilecektir.İletim ilişkisi güçlü veya zayıftır ve ortada nasıl dönüştürüleceği, sinir ağında öğrenilerek doğrulanması gereken ağırlık ve işlev ilişkisidir. Derin öğrenme, bir insan yüzünün her bir parçasını soyut noktalardan, çizgilerden ve yüzeylerden belirli özelliklere, tek bir organdan bütüne kadar birden çok katmana bölebilir ve her özellik sürekli olarak üst üste bindirilir ve doğrulanır, böylece tanıma doğruluğu iyileştirilir.
Derin öğrenmenin ortaya çıkışı, yüz tanımanın doğruluğunu büyük ölçüde geliştirdi ve ayrıca yüz tanımanın ticari uygulamasının hızını büyük ölçüde artırdı.
Kasım 2015'te Facebook, kullanıcıların arkadaşlarını yüklenen fotoğraflardan tanımlayabilen bir yüz tanıma işlevi başlattı. Kullanıcılar "sihirli fotoğraflar" özelliğini etkinleştirirse, Facebook fotoğraf koleksiyonlarını görüntüleyebilir ve son fotoğrafları analiz edebilir. Yüzlerin tanınabildiğini tespit ederse, kullanıcıların fotoğrafları% 98 doğruluk oranıyla doğru bir şekilde paylaşmalarına yardımcı olur. ; 20 Eylül 2017'de Apple cep telefonları telefonlarında yüz tanıma araçlarıyla donatılmıştır.Kullanıcılar ekranın kilidini açmak veya yüzleriyle ödeme yapmak için yüzlerini kullanabilirler.Apple'a göre güvenilirliği% 99'dan fazla.
Elbette, derin öğrenmenin ilerlemesi tamamen Hinton'un kredisi değildir.Kendi algoritmasının sürekli optimizasyonuna ek olarak, iki kritik dış faktör daha vardır: biri, 1960'lara kıyasla hesaplama gücündeki önemli artış. Mevcut hesaplama gücü milyonlarca kez arttı; ikincisi büyük verilerin ortaya çıkması, çünkü çok büyük miktarda eğitim verisi var, makineler bağımsız olarak öğrenebilir ve algoritmanın parametrelerini ve işlevsel ilişkilerini sürekli olarak ayarlayabilir.
Resim kaynağı: unsplash
Derin öğrenmenin son 30 yılda yapay zeka alanında en çığır açan buluş olduğuna inanılıyor.İlerlemesi, insanoğlunun "güçlü yapay zeka" hayalini yeniden canlandırmasını sağladı.İnsan, yapay zeka için yeni bir vizyon aşamasına girdi. Beynin fizyolojik yapısı geçmiş onbinlerce hatta yüzbinlerce yıldır pek değişmedi, ancak veriler her yıl patladı ve hesaplama gücü her geçen gün artıyor. Kökten farklı evrimsel hız, giderek daha fazla insanı insan beyninin sadece taklit edilebileceğine değil, aynı zamanda aşılabileceğine inandırdı.
Büyük veri öncüsü Tu Zipei, sözde aşkınlığın insan beyninin sınırlandırılmasına, yani daha fazla hatırlamaya, daha hızlı hesaplamaya ve aynı anda daha geniş gerçekleri keşfedip analiz edebilmeye işaret ettiğine inanıyor. İnsan beyninin gücünün genişlemesi, tam bir aşkınlık ve değişim değil. İnsan, kendisinden daha akıllı nesneler yaratamaz, bu insanların yapay zekaya bakmasının temeli olmalıdır.
Bu makalenin içeriğinin bir kısmı Tu Zipei'nin "Sayısal Uygarlık: Büyük Veri İnsan Medeniyetini, Ticari Formları ve Kişisel Dünyayı Nasıl Yeniden Şekillendirir" kitabından derlenmiştir.
