Коротко
Обзор посвящён распознаванию лиц: общим принципам работы, сферам применения и перспективам развития. Технология опирается на нейросети, обученные находить, распознавать и различать изображения, и практически реализует теорию распознавания образов, включая автоматическую локализацию лица на снимке и при необходимости идентификацию человека. Человек узнаёт другого по глазам, скулам, носу, коже, а информационная система действует иначе. Интерес к таким средствам растёт из-за потребностей охранных систем, верификации, криминалистики, телеконференций и других областей.
Суть материала
Обучение нейросети — это тренировка алгоритма на крупных базах «правильных ответов»: ошибаясь, система выявляет закономерности и на новых данных делает верный выбор. Для распознавания лиц используется база идентифицированных людей, например фотографии из соцсетей. По методике Triplet Loss системе дают два снимка и просят определить, совпадают ли они; при неверном ответе работа продолжается, пока доля совпадений не достигнет нужного значения. Сравнение идёт не наложением фотографий: из снимка выделяют лицо и присваивают ему набор чисел, обычно 128, описывающих признаки (feature map). Какие признаки система сочтёт важными, часто неизвестно даже программистам; итоговый алгоритм уникален и принадлежит разработчику.
Технология применяется в разных сферах. В Москве только на подъездах многоэтажек установлено свыше 100 тысяч поддерживающих её камер, ещё около 25 тысяч — во дворах, и их число растёт на площадях, остановках и в местах скопления людей. Системы помогают искать преступников, организовывать допуск на объекты, выявлять прогульщиков и решать другие задачи. Устройства работают в одном из режимов: верификация — проверка соответствия документа и его владельца, широко применяемая на пограничном контроле, где сравнивают фото в удостоверении с лицом проверяемого; идентификация — сопоставление внешности с данными базы.
Современные системы не гарантируют 100 %-ной точности и не дают ответа «да» или «нет»: каждая выдаёт процент схожести с эталоном. Пользователь сам задаёт в настройках порог точности. При контроле допуска снижение вероятности пропуска нарушителя одновременно повышает вероятность отказа своему сотруднику. В зависимости от критичности ошибочных результатов решают, целесообразно ли применять систему на объекте. Ошибки бывают двух типов: FAR — ошибка первого рода, вероятность разрешить доступ злоумышленнику, когда в базе выбрано фото человека, внешне похожего на нарушителя; FRR — ошибка второго рода, когда на объект не может пройти человек, ошибочно принятый за нарушителя. Чем выше вероятность FAR, тем ниже FRR, и наоборот.
Первоисточник
Для полного контекста обратитесь к оригинальному материалу.
Войдите или зарегистрируйтесь — после входа изображение станет ссылкой.
Нашли ошибку?
Напишите, какой фрагмент нужно проверить. Сообщение получит администрация сайта.
Указать на ошибкуОставить замечание через сайт
Эта форма сохраняет замечание в админке сайта, без отправки письма.