Karşı tarafın duvarın öbür ucunda kim olduğunu ne tür bir peri teknolojisi bilebilir?
Merhaba hayranlar, Dark Horse Komünü'ne hoş geldiniz!
Söylendiği gibi, "duvarların kulakları vardır",
İnsanları dikkatli konuşmaya ikna etmek demektir,
Belirsiz olduğu için kalbi olan biri tarafından dinlendim.
Artık teknolojinin sürekli gelişmesiyle birlikte,
"Duvarların kulakları vardır" hiçbir şey
Çünkü teknoloji zaten "insanları duvarların arkasından tanıyor"!
Kulağa korkutucu geliyor mu?
Ne de olsa birisi duvarın arkasından kim olduğunu bilebilir ~
Burayı görünce söylemek ister misin
İnsanları tanımlamanın sesi değil mi?
Ne var ki ~
Kara at sana söylüyor, gerçekten değil!
Yakın zamanda Elektrik ve Elektronik Mühendisleri Enstitüsü
12. Uluslararası İnsan-Bilgisayar Etkileşimi Konferansı'nda,
Intel ve Gdansk Üniversitesi Araştırmacısı
Sedece ... için Termal görüntüleme olabilir
Yapay zekanın insanların yüz özelliklerini tanımasını sağlayın Cevaplandı.
Önce anlayalım Termal görüntülemenin ilkeleri .
Doğadaki tüm nesneler,
Kızılötesi radyasyon üretecek,
Radyant enerji, kendi sıcaklığının dördüncü kuvveti ile orantılıdır,
Radyasyonun dalga boyu, sıcaklığı ile ters orantılıdır.
Kızılötesi görüntülemenin ilkesi
Tespit edilen nesnenin radyan enerji seviyesine göre termal görüntüye dönüştürülür.
(Devekuşu termal görüntüleme altında)
Bu prensibe dayanmaktadır,
Intelin araştırmacıları bir
Flir ThermaCam SC3000 termal görüntüleme kamerası, yüz veri toplama ve analizi gerçekleştirdi.
Intel "insanları duvarların arkasından tanımak" için neden bu kadar çok çalışıyor?
Daha fazla para? Pek sayılmaz! (Para gerçekten çok olmasına rağmen)
Hayatta bazı kötü aydınlatma koşulları vardır,
Ve güvenlik ve gizlilik konularının kolayca dahil olduğu yerlerde,
Çoğu zaman aydınlatma koşullarını artıramıyoruz ve başkalarını tanımlamak için sıradan kameralar ayarlayamıyoruz.
Termal görüntüleme, bu davranışı uygun bir şekilde engelleyebilir.
Bu gülünç resim her şeyi açıklamaya yeter:
(Tiger Pounce'dan resim)
Peki Intel'in araştırmacıları ne yaptı?
(Aşağıdaki gri kısım, sert çekirdek ilkesinin bir açıklamasıdır, ilgilenmiyorsanız doğrudan atlayabilirsiniz)
Veri örnekleri açısından,
Intel, iki yüz termal görüntü veri kümesi kullanır.
Bunlar sırasıyla SC3000-DB ve IRIS'dir.
SC3000-DB'nin verileri Intel ekibinden geliyor
FLIR ThermaCAM * SC3000 kamera ile oluşturulmuştur,
40 kategoride 766 görsel içerir,
Her kategori 19 erkek ve 21 kadın gönüllüye ayrılmıştır.
Bu görüntüleri çekerken,
Gönüllülerin termografla iki dakika yüzleşmesi gerekir.
Tersine,
IRIS veri seti Oklahoma Eyalet Üniversitesi tarafından sağlanmaktadır
Görsel Hesaplama ve Görüntü İşleme Laboratuvarı tarafından sağlanmıştır.
Esas olarak 30 gönüllünün 4190 görüntüsünü içerir.
İkisi arasındaki temel fark şudur:
IRIS'in termal görüntüsü, insanların kameraya dikkatle bakmasına neden olmaz.
SC3000-DB'nin odak noktasıyla karşılaştırıldığında,
IRIS daha öngörülemeyen durumlar içerir.
Ardından, araştırmacılar önce toplanan veri setini analiz etti
Yüz algılama yapın ve yalnızca yüz içeren bir alana kırpın.
Bir sonraki adım, yüz tanıma ve kırpılmış veri kümesi görüntüleri olacak
Azalan çözünürlüğü simüle etmek için azaltılmış görüntüler oluşturun,
Görüntü 13,14 (± 1,47) * 15,57 (± 1,96) piksele düşürüldükten sonra,
Araştırmacılar daha sonra görüntü geliştirme tanıma için özel bir CNN süper çözünürlüklü evrişimli sinir ağı kullandılar.
Bir turdan sonra dönmüş gibi hissettiriyor mu
Hayır, toplanan veriler
Çözünürlüğü düşürüp yakınlaştırdıktan sonra,
Pratik uygulamalarda düşük çözünürlüklü fenomenleri daha iyi simüle edebilir.
(Baidu Ansiklopedisi'nden resim)
Bu adımdan sonra
Yüz hatlarının çıkarılması gerekir,
Araştırmacılar FaceNet DNN mimarisini ve görünür ışık görüntülerinin simülasyonunu kullanıyor
Çıkarılan modelin termal görüntülerde kullanılıp kullanılamayacağını doğrulamak için.
Son olarak, araştırmacılar iki yüz özelliği vektörünü karşılaştırdılar,
Görünür ışık görüntü verileri üzerine eğitilmiş FaceNet modelinin kullanılabileceği,
Orijinal gönüllüler iyi tanımlanabilir.
Bunlar arasında SC3000-DB grubunun doğruluğu% 99,5,
IRIS grubunun doğruluğu% 82.14 idi.
Intelin hamlesinin
Sadece "bölme duvarların insanları gerçekten tanıyabildiğini" kanıtlamakla kalmıyor,
Aynı zamanda termal görüntüleme uygulamasının umut verici olduğunu da kanıtlıyor.
(Kara at neden ilk başta jailbreak yapmayı önlemeyi düşündü ......)
Örneğin askeri alanda,
Hedef kişi, engellerden açıkça anlaşılabilir;
Tıbbi veya endüstriyel alanlarda kullanılır,
Kullanıcı gizliliğini ihlal etmeden yapılabilir,
Ayrıca bazı yararlı bilgiler de sağlayabilir.
Tabii ki bu aşamada
Sıradan tüketiciler için pratiklik çok yüksek olmayabilir.
Son olarak, termal görüntüler hakkında daha fazla bilgi edinmek istiyorsanız
Yüz tanıma verileri,
Erişmek için aşağıdaki referans linkine tıklayabilirsiniz.
Referans malzemeleri:
Termal Görüntülerle Derin Öğrenme Yüz Tanıma Keşfi
https://www.intel.ai/exploring-deep-learning-face-recognition-with-thermal-images/#gs.trgdag
Termal Görüntü Çözünürlüğünün Derin Öğrenmeye Dayalı Yüz Tanıma Doğruluğu Üzerindeki Etkisi
https://ieeexplore.ieee.org/document/8942636
FaceNet: FaceRecognition ve Kümeleme için Birleşik Gömme
https://arxiv.org/abs/1503.03832
https://www.robots.ox.ac.uk/~vgg/publications/2018/Cao18/cao18.pdf
