顔認証の開発_太極王技術

自動顔認識の従来のプロセスは、顔検出、顔の特徴点の位置 (顔の位置合わせとも呼ばれます)、特徴抽出、および分類器の設計の 3 つのステップに分かれています。 一般的に狭義の顔認証とは、 & 引用;特徴抽出分類子 & 引用;アルゴリズム研究の 2 つの部分。 ディープラーニングが登場する前は、顔認識方法は一般に、高次元の人工特徴抽出 (LBP、Gabor など) と次元削減の 2 つのステップに分けられていました。 代表的な次元削減手法には、PCA や LDA などの部分空間学習法や、LPP などの一般的な学習法があります。 深層学習手法が普及した後、代表的な手法は、元の画像空間から識別可能な顔表現を直接学習することです。 一般的に言えば、顔認識の研究の歴史は 3 つの段階に分けることができます。 最初の段階 (1950 年代から 1980 年代) では、顔認識は一般的なパターン認識の問題と見なされていました。 主流の技術は、顔の幾何学的構造に基づいていました。 第 2 段階 (1990 年代) では、顔認識が急速に発展し、固有顔、フィッシャー顔、エラスティック グラフ マッチングなど、多くの古典的な手法が登場しました。 現時点では、主流の技術ルートは顔の見かけのモデリングです。 第三段階（1990年代の終わりから現在まで）では、顔認識の研究が深化しています。 研究者は、主に次の 4 つの側面を含む、実際の状況に直面した顔認識に注意を払い始めました。 3D情報について。 2) 照度不変顔認識、姿勢不変顔認識、表情不変顔認識など、顔認識に影響を与える要因を深く分析および研究します。 3) ローカル記述子 (ガボール顔、LBP 顔など) や深層学習手法など、新しい特徴表現が使用されます。 4) ビデオに基づく顔認識、スケッチや近赤外線画像に基づく顔認識など、新しいデータ ソースの使用。 2007 年以降、LFW データベースは実際の条件下での顔認識のテスト ベンチマークになりました。 LFW データセットには、インターネットからの 5749 人の 13233 人の顔画像が含まれており、そのうち 1680 人が 2 つ以上の画像を持っています。 LFW の標準テスト プロトコルには、6000 ペアの顔の 10 倍の確認タスクが含まれます。 各フォールドには、300 対の正の例と 300 対の負の例が含まれます。 性能評価指標として10倍平均精度を採用しています。 LFW のリリース以来、パフォーマンスは常に更新されています。 2013 年以前は、主要な技術的ルートは人工的または学習ベースのローカル記述子測定学習でした。 2014 年以降、主な技術ルートは詳細な学習です。 2014 年以降、ディープラーニング ビッグ データ (大量のラベル付き顔データ) は、顔認識の分野で主流の技術ルートになりました。 2 つの重要な傾向は次のとおりです。1) ネットワークはより大きく、より深くなります (vggface16 層、facenet22 層)。 2) データ量の増加 (deepface 400 万、facenet 2 億) に伴い、ビッグデータは顔認識のパフォーマンスを向上させる鍵となっています。 プレ DL 時代、vipl ラボの第 3 世代とハーフの SDK を例にとると、重要な技術ポイントは、1) ブロックの顔機能の融合: ガボール機能の LPQ 機能です。 2) 特徴削減のための部分空間学習 (PCA LDA)。 3) マルチスケール顔正規化テンプレートの融合。 sdk3.5 の関連技術は、FRGC 実験 4 で 0.1% のエラー許容率の条件下で 96% の確認率を達成しました。これは、FRGC データセットで依然として最高の結果です。 ディープラーニングは特徴学習を重視していますが、特徴学習は DL の特許ではありません。 DL以前の時代には、浅いモデルを用いて画像から直接表現を学習し、人為的な記述子に基づいて意味表現を学習する作業（中位の属性表現を学習するための属性と直喩分類器、高水準の意味表現を学習するためのTom vs Peteなど） ) は、関連する文献に見られます。 2014 年、Facebook は cvpr14 に関する作業を公開しました。 Deepface はビッグデータ (400 万の顔データ) を深い畳み込みネットワークと結合し、LFW データセットで人間の認識精度に近づきました。 Deepface はまた、各空間位置で個別の畳み込みカーネルを学習するために、ローカル接続畳み込み構造を導入します。 欠点は、パラメーターの拡張につながることです。 この構造はその後普及しませんでした。 Deepidファミリーは、DL時代の顔認証分野における代表的な作品群といえます。 初期の Deepid ネットワークには 4 つの畳み込み層が含まれ、softmax 損失関数が採用されていました。 Deepid2 は、deepid2 ネットワークに基づいて ID 損失と検証損失の両方を考慮します。 これら 2 つの損失は、Caffe 深層学習フレームワークでそれぞれ softmaxwithlos レイヤーとコントラスト損失レイヤーを使用することで実現できます。 Deepid2 ネットワークは、deepid2 に基づいて各レイヤーの補助損失関数を追加します (深い教師ありネットワークに似ています)。 Google はその成果を cvpr2015 で公開しました。 Facenet は、22 層の深い畳み込みネットワークと大量の顔データ (800 万人の 2 億枚の画像) と、画像検索タスクで一般的に使用されるトリプル ロス関数を使用します。 顔カテゴリの数が 800 万に達するため、softmax 損失を使用すると、出力層ノードの数は 800 万に達し、少なくとも 32 GB のビデオ メモリが必要になることに注意してください (最後の隠れ層ノードが1024、単精度浮動小数点数を使用) ただし、トリプレット損失は追加のビデオ メモリを占有する必要はありません。 Facenet の LFW データセットの 10% 割引の平均精度は 99.63% に達し、これはこれまでに公式に公開された論文の中で最高の結果であり、2008 年から 2015 年までの 8 年間にわたる LFW のパフォーマンス競争の終わりをほぼ宣言しています。