Kimlik toplama, canlı vücut algılama, yüz karşılaştırma ... Megvii FaceID'yi nasıl yapıyor?
Yüz tanıma teknolojisi, çeşitli kimlik doğrulama senaryolarında giderek daha fazla kullanılmaktadır.Elektrikli ve optik çakmaktaşı arasında ortaya çıkan bu tür bir uygulamanın arkasında, doğru kararlar veren algılanamayan teknolojiler nelerdir? Algoritma çeşitli dolandırıcılık saldırılarına karşı ne şekilde savunma yapıyor?
Yakın zamanda Megvii Technology'nin ürün direktörü Peng Jianhong'u FaceID çevrimiçi kimlik doğrulama bulut hizmetinin ürün tasarımından sorumlu olması için davet ettik. Bu açık sınıfta, İnternet kimlik doğrulama hizmetlerinde derin öğrenmenin uygulanmasından ve yüz tanıma canlı algılama (eylem, renkli, video, sessizlik) teknolojisinin uygulama senaryoları ve uygulama yöntemlerinden bahsetti.
Peng Jianhong'un halka açık konuşmasının kaydı aşağıdadır:
Bugün esas olarak, kimlik doğrulama için finansal düzeyde bir çözüm olan ürün matrisimizdeki bir dizi çözüm gibi olan FaceID'den bahsediyoruz. Hayatımızda siz olduğunuzu doğrulamak ve kanıtlamak istediğimiz birçok senaryo var.
Temel olarak tüm İnternet finans şirketleri, ödünç aldığımızda siz olduğunuzu doğrulayacaklardır.Bu, siz olduğunuzun kanıtı gerektirir, bu nedenle değiştiğinizi doğrulamak için nasıl güvenilir bir çözüm sunabilirsiniz. Bu çok önemlidir.Önceden yaygın olarak kullanılan parmak izi tanıma, filmlerde sıklıkla görülen iris tanıma ve son zamanlarda özellikle popüler olan yüz tanıma dahil olmak üzere birçok doğrulama yöntemini kolayca düşünebilirsiniz.
Teknik özelliklerden bahsedeyim. Yüz tanıma ile ilgili olarak, herkesin ilk özelliğinin deneyimin çok iyi, çok doğal ve kullanışlı olduğunu düşünmesi kolaydır, ancak pek çok eksiklik vardır, her şeyden önce mahremiyet daha kötüdür.Başkalarının parmak izlerini ve süsenlerini elde etmek bizim için çok pahalıdır. Ancak diğer insanların yüzlerinin fotoğraflarını çekmenin maliyeti çok düşüktür. İkincisi, ışık, yaş, sakal ve gözlük gibi faktörlerden dolayı yüz tanımanın stabilitesinin daha düşük olacağıdır. Üçüncüsü, parmak izi tanıma ve iris tanımanın hem aktif hem de yüz tanımanın pasif olmasıdır.Bu aynı zamanda iPhone X ilk çıktığında, birçok kişi yanlışlıkla birinin yanlış biri tarafından kaydırıldığından veya ödeme sırasında kaydırıldığından veya yanlışlıkla geri alındığından vb. Endişeleniyordu. - zayıf Özellik, zayıf istikrar ve pasiflik, yüz tanımanın ticari uygulaması için daha yüksek teknik gereklilikler ortaya koymuştur.
Derin öğrenme teknolojisinin hızlı gelişimi, görüntü tanıma, sınıflandırma ve saptamanın doğruluğunu büyük ölçüde artırdı, ancak finansal düzeyde bir çözüm yapmak o kadar kolay değil.Bu resim, FaceID tarafından sağlanan genel finansmanı gösteriyor Genel çözümü seviyelendirin.
Bu mimari şemada, FaceID kullanıcılarının mobil SDK, H5, WeChat / Mini Program, üçüncü taraf kanal APP ve PC dahil olmak üzere çeşitli ürün formları sağladığını görebiliriz. İşlevsel olarak ürünlerimiz arasında kimlik kartı kalite tespiti, kimlik kartı OCR tanıma, canlı tespit, saldırı tespiti ve yüz karşılaştırması yer almaktadır.Tüm çözümün buluta ve sona dayandığı görülebilir. Uçta bir UI çözümü sunar ve kolay entegrasyon için bir UI arayüzü sağlar. Kullanıcı arayüzümüzün herkesin gereksinimlerini karşılamadığını düşünüyorsanız, bazı özelleştirilmiş geliştirme de yapabilirsiniz. Tüm temel işlevde canlı algılama vardır. Sonunda Buluttan ayrı olarak kendi uygulamasına sahiptir.
Aynı zamanda, farklı canlı saldırı şemaları için farklı canlı saldırı stratejileri benimsenecektir. Gerçek hayat tespitimizde, çevrimiçi işlemler gerçek zamanlı olarak açıklama için çeşitli resimler toplayacak ve en son saldırılara ilk seferde yanıt verilebilmesini ve geri bildirim yapılabilmesini sağlamak için algoritmayı zamanında güncelleyecektir; bu da tüm derinliğimiz için geçerlidir. Öğrenme algoritması yeni kan enjekte etmeye devam ediyor.
ID kartı koleksiyonu
Tüm süreç şu şekildedir: Kullanıcı önce kimlik kartını alacak, sistem aslında kullanıcıdan bir kimlik kartının ön ve arka yüzünün fotoğrafını çekmesini isteyecektir.Bu işlem sonunda yapılır. Çekimden sonra bulut üzerinden yapacağız.OCR tanıma bulut üzerinde yapılıyor.Sadece kimlik kartındaki bilgileri değil, kimlik kartının bazı kategorilerini de tespit edeceğiz. Farklı iş senaryoları farklı olduğundan, bu sınıflandırma bilgileri kullanıcıya geri gönderilir ve kullanıcı bunu kabul edip etmeyeceğine karar verebilir. Pek çok ciddi senaryoda, birçok müşteri yalnızca orijinal kimlik kartını kabul edebilir ve tanınan metin, kullanıcının işine göre farklı şekilde işlenir. Bazı müşteriler tanınan metne ihtiyaç duyduğundan, kullanıcı gidemez Kimlik numarasını ve adını değiştirin.
Ayrıca OCR'ye birçok mantıksal yargı ekledik. Örneğin, kullanıcının doğum günü ve cinsiyet bilgilerinin kimlik numarasında görülebileceğini biliyorsunuz. Kimlik kartındaki doğum gününün kimlik numarasına göre değerlendirilen bilgilerden farklı olduğunu tespit edersek, Kullanıcı tarafından iş mantığına göre ele alınabilen API sonucunda kullanıcıya mantıksal bir hata döndürülecektir.
Bu ekran, kimlik kartı koleksiyonumuzun ve kimlik kartı OCR'ımızın bazı sahneleridir. Öncelikle, bulutumuzda OCR tanıma ve nesne sınıflandırmasını toplamak ve tamamlamak için cep telefonunun kamerasını kullanın, böylece gerçek bir kimlik kartı olup olmadığına karar verebiliriz. Tartışılması gereken bir soru, neden OCR'yi cep telefonunun SDK tarafı yerine buluta koyduğumuzdur? Bu temelde bir güvenlik konusudur.Eğer bilgiler bilgisayar korsanları tarafından ele geçirilirse, sonunda oldukça tehlikelidir.
Canlı saldırı algılama şeması
En önemli canlı saldırıları tartışalım. Ürünlerimiz, video canlı gövdeler, renkli canlı gövdeler vb. Dahil olmak üzere rastgele ve dinamik canlı gövdeler dahil olmak üzere çeşitli canlı saldırı algılama çözümleri sunar. Canlı vücut algılama, tüm Face ID'mizin en önemli parçası ve aynı zamanda en önemli temel avantajımızdır. Bu PPT, bizim canlı eylemimizi gösterir. Kullanıcılar, kullanıcı arayüzü istemlerimize göre başlarını sallama ve sallama gibi rastgele eylemler gerçekleştirebilir. Bu nedenle, her rastgele eylem, tüm eylemimizin güvenliğini de garanti eden Serves tarafından gönderilir. Yüz kalitesi tespiti, yüzün kilit noktalarının algılanması ve takibi ve yüzün 3 boyutlu pozunun tespiti dahil olmak üzere bunda bazı teknik detaylar var. Bu, tüm teknolojimizin temel rekabet gücünden bazılarıdır. Ardından, kullanıcıların bir dizi UI arayüzü tanımlamasına yardımcı olacağız, eğer kullanıcılar UI arayüzümüzün iyi olmadığını düşünürlerse, doğrudan onu değiştirebilirler.
Göz kamaştırıcı canlı vücut adı verilen bir algılama yöntemi sunuyoruz.Bu, yansıyan ışık üç boyutlu görüntüleme prensibine dayanan canlı vücut tespiti için benzersiz ve orijinal bir Face ++ yöntemidir. Prensipte, 3 boyutlu yazılım, ekran yeniden yapımı vb. İle sentezlenen her türlü videoyu ortadan kaldırır. saldırı. Ürün formu açısından, şu anda görülmeyen bir videonun kendisidir, ancak ekran canlı yargı için belirli bir model yayacaktır.
Canlı vücutla ilgili büyük bir sorun, kalite kontrol yönteminin güçlü ışık altında iyi çalışmamasıdır.Sonunda, tüm saldırının eşiğini yükselten ve ardından mobil H5'i hedefleyen basit bir nokta haritası eylemiyle işbirliği yapacağız. Esas olarak bir canlı video algılama yöntemi tanıttık. Kullanıcı, kullanıcı arayüzü tarafından sağlanan numaraya dayalı olarak böyle dört basamaklı bir sayıyı okuyacaktır. Aynı zamanda, yalnızca bulut tanıma için değil, aynı zamanda geleneksel yönler için de karar vereceğiz. İkisi arasında ses ve sesin tanınması ve aynı anda algılanması.
Bu şekilde, bu üç şema ile yargılamak, canlı vücut saptamasıdır Az önce sunduğumuz daha tipik yöntemlerden bazılarına ek olarak, çift açılı canlı vücut ve sessiz yaşayan beden dahil olmak üzere bazı yenilerini de deniyoruz. Çift açılı canlı gövde, kullanıcının ön yüz ve yandan selfie çekmesidir.Bu 3 boyutlu modelleme ve yeniden yapılandırma yöntemi, gerçek kişi olup olmadığını belirlemek için kullanılır.Çift açılı canlı gövdemiz, sessiz canlı gövdemiz, kullanıcılara çok iyi bir Kullanıcı deneyimi, kullanıcının iki saniyelik bir video çekmesiyle eşdeğerdir.
Bu videoyu buluta aktaracağız, böylece sadece tek kare canlı algılama yapmakla kalmayacağız, aynı zamanda birden çok kare arasında ilgili canlı algılamayı da yapacağız, böylece konuyu iki dinamik ve statik yöntemin kombinasyonu ile değerlendirebiliriz. O gerçek bir kişi mi
Canlı algılamaya ek olarak, yeniden yapılanmaları etkili bir şekilde tanımlayabilen ve saldırıları maskeleyebilen FMP adlı bir dizi saldırı algılama da sağlıyoruz. Bu, bulutumuzda yapılır. Bu, FMP adı verilen bir dizi derin sinir ağını eğittiğimiz ve gerçek zamanlı geri dönüş ve ayarlama için çevrimiçi verilere dayandığımız ve doğruluk oranını belirlemeye devam ettiğimiz büyük miktarda yüz verisine dayanmaktadır, bu aynı zamanda tüm canlı vücut algılamamızdaki en önemli teknolojidir. zorluk.
Yüz karşılaştırması
Biyopsi sonrası yüz karşılaştırma bağlantısına geçebiliriz. Size kısaca yüz tanımanın temel ilkesini tanıtayım: İlk olarak, bir resimden yüz algılama yapacağız ve bu yüzü bir resimde bulup tüm kişiyi göstermeye eşdeğer bir işaret yapacağız. Yüzdeki gözler, kaşlar vb. Gibi bazı temel kilit noktalar
Yapılması gereken bir sonraki şey, yüzün bazı önemli noktalarını hizalamaktır; rol, daha sonra yüz tanıma algoritması için verilerin ön işlemesini sağlamaktır, bu da tüm algoritmanın doğruluğunu artırabilir. Ardından, çevredeki nesnelerin etkisinden kaçınmak için tüm yüzün bir kısmını keseceğiz.Kesmeden sonra, yüz derin öğrenme ağından geçerek nihayet temsil adı verilen bir şey oluşturacak ve bu şu şekilde anlaşılabilir: Bu resim tarafından oluşturulan bir vektörün, makine bilişinde böyle bir vektör tarafından temsil edildiği kabul edilir. Ancak bu logonun bu gerçek insan yüzünü gerçekten tasvir edebileceğini nasıl ölçersiniz?
Artık bir prensibimiz var: eğer aynı kişi, mesafeyi olabildiğince yakın ifade etmek istiyorsak, farklı insanlar ise, mesafeyi olabildiğince ifade etmek istiyoruz, bu şekilde derin öğrenme ifadesini değerlendiriyoruz Kötü. Daha sonra bu gösterime dayanarak, yüz tanımada, sırasıyla 1: 1 ve 1: N tanıma dediğimiz nispeten büyük iki uygulama vardır.
İlki esas olarak iki yüz tanımanın aynı kişi olup olmadığını karşılaştırmaktır.İlke, iki yüzün temsil ettiği mesafeyi hesaplamaktır.Eğer mesafe bir eşik değerinden azsa, bunu aynı kişi olarak kabul ederiz. Bir alan değeri, aynı kişi olmadığını düşünüyoruz, farklı yanlış anlama oranları altında farklı alan değerleri sağlayacağız. İkinci 1: N uygulaması, ana uygulama senaryosu güvenlik yani bir yüz fotoğrafı sağlıyoruz ve veritabanında arama yapıyoruz.Böyle bir yüze en çok benzeyen 1: 7 uygulama, FaceID ise esas olarak Uygulanan teknik senaryo 1: 1'dir.
Kullanıcının adını ve kimlik numarasını OCR aracılığıyla belirleyip canlı vücut testini geçtiğimizde, Kamu Güvenliği Bakanlığı'nın yetkili veritabanından yetkili bir fotoğraf alacak ve bunu kullanıcının videosundan toplanan yüksek kaliteli bir fotoğrafla karşılaştıracağız. Evet, tutarlı olsun ya da olmasın kullanıcıya geri dönecektir.Tabii ki tutarlı olup olmadığını doğrudan kullanıcıya söylemeyeceğiz, ancak bu yaklaşık yöntemle kullanıcıyı bilgilendireceğiz.
Soldaki tabloya bakabilirsiniz ve buradaki dönüş değeri binde bir, binde bir ve binde bir gibi farklı yaklaşımlar sağlar, bunlar yanlış anlama oranını gösterir. Yanlış tanıma oranının altında bir eşik olacak, varsayalım ki binde bir yanlış tanıma oranında, puan 60 puandan büyükse aynı kişiyi dikkate alacağız, bu yüzden bu iki fotoğrafı yaklaşık olarak buldum. Derecesi 75'tir. 10.000'de 1 yanlış anlama oranında aynı kişi olduklarını söyleyebiliriz, ancak 100.000'de 1 oranında aynı kişi olmayabilirler.
Burada, fotoğraf veri kaynağımızın tam zaman farklı olabileceği ve farklı engellere neden olabileceği konusunda bir ayrıntı var. Normalde, farklı bir doku desenimiz olacak, ancak bazen boş bir fotoğraf alacağız veya bir Siyah beyaz fotoğraflar, bu aynı zamanda bazı arka plan işlemleri yapmamızı gerektirir.
Özetlemek gerekirse, Face ID size bu tür bir kimlik doğrulama çözümünün eksiksiz bir setini sağlayacaktır.Tüm çözüm, kalite algılama, kimlik kartı tanıma, canlı algılama, saldırı algılama ve yüz karşılaştırma gibi bir dizi işlevi kapsar. Algılama açısından, bulut artı terminalin ortak önleme yöntemini benimsiyoruz.Canlı, canlı video, sessiz canlı vb. Bir dizi algılama yöntemi dahil olmak üzere farklı canlı algılama şemaları sayesinde sahte yüz saldırılarını etkili bir şekilde önleyebilir.
Her gün çevrimiçi olarak çeşitli saldırı yöntemleriyle karşılaşıyoruz. Yüz doğrulama şemasının tamamı uzun vadeli bir saldırı ve savunma savaşıdır. Artık çevrimiçi operasyonlar aracılığıyla saldırılardan sürekli olarak anormal veriler topluyor ve manuel etiketleme, eğitim ve Analiz daha sonra tüm modelin savunma yeteneklerini sürekli geliştirebilir.Bu bağlamda kapalı döngü bir sistem oluşturduk.Bazı çevrimiçi modelleri kısa sürede güncelleyerek herhangi bir saldırıyı tamamen önleyebiliriz.
Endüstriyelleştirilmiş yapay zeka algoritması üretimi
Sanayileşmiş yapay zeka algoritmasının tüm üretim sürecini kısaca tanıtmama izin verin.Aslında, tüm süreç veri toplama, temizleme ve etiketleme dahil olmak üzere veri odaklı olarak kabul edilebilir, veri artırma, veri alanı eğitim modelleri, zaman yönetimi ve SDK paketleme. ve daha fazlası.
Bazı temel kilit noktaları tanıtın. Birincisi veri toplama. Data ++ adlı bir Ekip aracılığıyla veri toplama ve etiketlemeden sorumluyuz. Tüm verileri çevrimdışı toplama veya yeniden paketleme etiketleme ve web tarayıcıları aracılığıyla toplayacağız. AI eğitim hammaddeleri.
Verilerle, Brain ++ adlı platformumuz tüm AI çipi için bir simya fırını olarak kabul edilebilir.Tüm hesaplama ve depolama ağının ve diğer IaaS katmanlarının bir miktar yönetimini sağlayacaktır, böylece tüm algoritma mühendisliği eğitimimiz eşdeğerdir. Tek bir makinede çalıştırın, ancak farklı dağıtılmış alt planlamada birden fazla makinede, Brain ++ platformu tarafından korunuyoruz, bu nedenle benzer ifadeler yazabilirsek, 20 CPU ve 4 GPU'ya ihtiyacımız var , 8G bellek böyle bir eğitim betiğini çalıştırmak için, altta dağıtılmış bir yöntemle eğitmektir, ancak tek yönlü çalışan bir betik sağlayabiliriz.
Ardından, IaaS katmanının verilerine ve kaynaklarına ek olarak, paralel bir hesaplama çerçevesi geliştirdik ve TensorFlow'a benzer Megbrain motoru geliştirdik TensorFlow ile karşılaştırıldığında, birçok yer farklı şekilde optimize edildi.
Alan eğitim modelimizden bahsedelim. Ekibimiz bu alan eğitim modellerinden binlerce kişiyi eğitiyor. Bu resim, alan eğitim modellerinden bazılarını göstermektedir. Aşağıdaki resimdeki her nokta bir deneydir. Eğer İyi bir deneyse, diğer algoritma mühendislerinin kullanması için bir web sitesine koyacağız.Bir dizi zaman yönetimi platformu aracılığıyla tüm deneyimin tüm zaman düşüncesini ve döngü ilişkisini düzenlemelerine yardımcı olmayı umuyoruz.
Önceki Yüz Modeli, IaaS katman kaynakları, veri ve zaman yönetimi ile geri kalanı çeşitli algoritma mühendislerinin hayal gücünü kullanmaktır.Herkes çeşitli kağıtları okur ve çeşitli karmaşık ve önemli şeyler hakkında düşünür. Bu tür bir ağ tasarım şeması, çok iyi performansa sahip bir ağ modeli oluşturur. Bu nedenle, sanayileşmiş yapay zeka üretimi artık bir grup savaşı. Bunu desteklemek için çeşitli sistemlerimiz olacak. Bu mevcut kaynakları temel alan eksiksiz bir yapay zeka sistemleri seti oluşturabilirsiniz.
