Trene binen "süpürme yüzü" çok havalı
Son yıllarda ülke genelindeki tren istasyonlarının giriş geçişlerinde yüz tanıma sistemleri kullanılmaya başlandı.İkinci nesil kimlik kartları ve manyetik kamyon biletlerine sahip yolcular, istasyona sadece üç ila altı saniyede girmek için doğrudan geçitten yüzlerini kaydırabiliyorlar. Peki, bu sistemlerin arkasındaki bilinmeyen yüz tanıma teknolojileri nelerdir? Bugünün "Yaklaşan Yüz Tanıma" bölümüne girelim.
Yüz tanıma sistemi, iki yüzün aynı kişi olup olmadığını belirlemek için bir çift yüz görüntüsünün benzerliğini verebilir. Bir yolcu yüzünü fırçalamak için bir kimlik kartına sahip olduğunda, sistem karşılaştırma için kimlik kartının ve canlı fotoğrafın özelliklerini otomatik olarak çıkaracaktır.Karşılaştırma puanı bir eşikten yüksekse, geçecektir, aksi takdirde doğrulama başarısız olacaktır.
Şu anda, derin öğrenme yüz tanıma alanında baskın bir konuma sahiptir.Her bir görüntünün özelliklerini çıkarmak için derin bir ağ kullanır ve aynı kişinin fotoğrafının yüksek özellik benzerliğini ve farklı kişilerin fotoğraflarının düşük özellik benzerliğini gerektirir. Sinir ağlarını eğitirken, sınıflandırmaya dayalı yöntemler, her bir kişiyi bağımsız bir kategori olarak ele alan ve eğitim setindeki tüm insanları doğru bir şekilde tanımlamak için sinir ağını gerektiren ana akımdır.
Bununla birlikte, sınıflandırma eğitiminin hesaplama maliyeti, doğrudan kategori sayısı ile ilgilidir. Gerçek senaryolarda yüz tanıma verileri çok sayıda insanla karakterize edilir, ancak kişi başına ortalama örnek boyutu çok küçüktür.Genellikle büyük tren istasyonlarında, havalimanlarında ve çeşitli bankalarda kimlik doğrulama sistemleri tarafından toplanırlar. Aşağıda gösterildiği gibi:
Bu nedenle, her kişinin sadece iki yüz resmi, bir kimlik fotoğrafı ve bir canlı fotoğraf vardır. Bununla birlikte, verilerdeki kişi sayısı çok büyük, genellikle milyonlara hatta on milyonlara ulaşıyor Bu tür verilere büyük ölçekli çift örneklemli veriler denir. Gerçek senaryolardaki bu insan tanımlama verileri karşısında, mevcut yöntemler, eğitimi birleştirmeyi zorlaştıran yetersiz sınıf içi varyasyon ve bilgi işlem ekipmanı üzerindeki çok sayıda kategorinin aşırı gereksinimleri gibi büyük zorluklarla karşılaşacaktır.
İnsan kimlik doğrulama sorununu gerçek senaryolarda çözmek için Çin Bilimler Akademisi Otomasyon Enstitüsü, derin öğrenmeye dayalı büyük ölçekli iki örnekli bir öğrenme yöntemi önerdi. Bunların arasında, çift örneklemli verilerin neden olduğu yetersiz sınıf içi değişiklikler sorunuyla başa çıkmak için, araştırmacılar, insan kanıtlarının doğrulama performansını kademeli olarak iyileştirmek için bir sınıflandırma-doğrulama-sınıflandırma eğitimi stratejisi önermişlerdir; çok sayıda örneğin neden olduğu hesaplama baskısını azaltmak için, önemli Süper geniş ölçekli sınıflandırmada derin öğrenmenin ölçeklenebilirliğini artırmak için örnek seçimi.
Sınıflandırma-doğrulama-sınıflandırma (CVC) eğitim stratejisinde, tüm eğitim süreci üç aşamaya ayrılmıştır. İlk aşama, temel yüz bilgisini elde etmek için iyi dengelenmiş bir ünlü veritabanı üzerinde derin bir sinir ağını eğiten "ön öğrenme" aşamasıdır. İkinci aşama, yüz bilgisini doğal sahnelerden insan kanıtı sahnelerine aktarmak için büyük ölçekli çift örneklem verilerinin ince ayarını yapmak için metrik öğrenmeyi kullanan "geçiş öğrenme" aşamasıdır. Üçüncü aşama, milyonlarca kategoriyi büyük ölçekte sınıflandırmak için özel bir sınıflandırma katmanı oluşturan ve sonunda tanık senaryosunda optimum performansı elde eden "pekiştirmeli öğrenme" aşamasıdır. Sınıflandırma katmanı, eğitim için mevcut örneğe en çok benzeyen birkaç belirgin kategoriyi bulabilir, bu da büyük ölçekli sınıflandırma için hesaplama gereksinimlerini büyük ölçüde azaltır.
Yüz tanıma çerçevesi, tanık doğrulama sahnesindeki tanıma performansını büyük ölçüde artırabilir ve on milyonlarca, hatta yüz milyonlarca insanın yüz tanıma görevine uygulanır.
Kaynak: Otomasyon Enstitüsü, Çin Bilimler Akademisi
Açıklama: Bu makale, daha fazla bilgi vermek amacıyla çoğaltılmıştır. Kaynak etiketlemede bir hata varsa veya yasal haklarınızın ihlali söz konusuysa, lütfen sahiplik sertifikası ile web sitesi ile iletişime geçin, zaman içinde düzeltip sileceğiz, teşekkür ederiz.
Kaynak: Çin Bilimler Akademisinin Sesi
