Ukuzaji wa Teknolojia ya Utambuzi wa Uso_ Taigewang

Mchakato wa kitamaduni wa utambuzi wa uso kiotomatiki umegawanywa katika hatua tatu: utambuzi wa uso, eneo la kipengele cha uso (pia hujulikana kama kupanga uso), uondoaji wa vipengele na muundo wa kiainishaji. Kwa ujumla, utambuzi wa uso kwa maana finyu hurejelea & quot; Kiainisho cha uchimbaji wa kipengele & quot; Sehemu mbili za utafiti wa algorithm. Kabla ya kuibuka kwa ujifunzaji wa kina, mbinu za utambuzi wa uso kwa ujumla ziligawanywa katika hatua mbili: uchimbaji wa vipengele vya bandia vya juu-dimensional (kama vile LBP, Gabor, nk.) na kupunguza vipimo. Mbinu wakilishi za kupunguza vipimo ni pamoja na mbinu za kujifunza katika nafasi ndogo kama vile PCA na LDA na mbinu maarufu za kujifunza kama vile LPP. Baada ya umaarufu wa mbinu za kujifunza kwa kina, njia ya mwakilishi ni kujifunza moja kwa moja uwakilishi wa uso wa kibaguzi kutoka kwa nafasi ya awali ya picha. Kwa ujumla, historia ya utafiti wa utambuzi wa uso inaweza kugawanywa katika hatua tatu. Katika hatua ya kwanza (miaka ya 1950-1980), utambuzi wa uso ulizingatiwa kama tatizo la utambuzi wa muundo wa jumla. Teknolojia ya kawaida ilikuwa msingi wa muundo wa kijiometri wa uso. Katika hatua ya pili (miaka ya 1990), utambuzi wa uso ulikuzwa haraka, na njia nyingi za kitamaduni zilionekana, kama vile eigenface, uso wa Fisher na kulinganisha kwa grafu. Kwa wakati huu, njia kuu ya kiufundi ni uundaji unaoonekana wazi. Katika hatua ya tatu (kutoka mwisho wa miaka ya 1990 hadi sasa), utafiti juu ya utambuzi wa uso umekuwa wa kina. Watafiti walianza kutilia maanani utambuzi wa uso unaokabili hali halisi, haswa ikiwa ni pamoja na vipengele vinne vifuatavyo: 1) kupendekeza mifano tofauti ya nafasi ya uso, ikiwa ni pamoja na mbinu za uigaji za mstari zinazowakilishwa na uchanganuzi wa kibaguzi wa mstari, njia ya uundaji isiyo ya mstari inayowakilishwa na njia ya kernel na njia ya utambuzi wa uso wa 3D kulingana na juu ya habari ya 3D. 2) Changanua na usome kwa kina vipengele vinavyoathiri utambuzi wa uso, ikiwa ni pamoja na utambuzi wa uso usiobadilika wa mwangaza, uwekaji utambuzi wa uso usiobadilika na utambuaji usiobadilika wa uso. 3) Uwakilishi wa vipengele vipya hutumiwa, ikiwa ni pamoja na vifafanuzi vya ndani (uso wa Gabor, uso wa LBP, n.k.) na mbinu za kina za kujifunza. 4) Kutumia vyanzo vipya vya data, kama vile utambuzi wa uso kulingana na video na utambuzi wa uso kulingana na mchoro na karibu na picha za infrared. Tangu 2007, hifadhidata ya LFW imekuwa alama ya majaribio ya utambuzi wa uso chini ya hali halisi. Seti ya data ya LFW inajumuisha picha 13233 za nyuso za watu 5749 kutoka kwa Mtandao, ambapo watu 1680 wana picha mbili au zaidi. Itifaki ya kawaida ya majaribio ya LFW inajumuisha kazi ya uthibitishaji mara kumi ya jozi 6000 za nyuso. Kila mkunjo unajumuisha jozi 300 za mifano chanya na jozi 300 za mifano hasi. Usahihi wa wastani wa mara kumi hutumika kama faharasa ya tathmini ya utendaji. Tangu kutolewa kwa LFW, utendakazi umesasishwa kila mara. Kabla ya 2013, njia kuu ya kiufundi ilikuwa ujifunzaji wa kipimo cha kielezi au ujifunzaji wa ndani. Baada ya 2014, njia kuu ya kiufundi ni kujifunza kwa kina. Tangu 2014, kujifunza kwa kina data kubwa (data kubwa iliyo na lebo ya uso) imekuwa njia kuu ya kiufundi katika uwanja wa utambuzi wa uso. Mitindo miwili muhimu ni: 1) mtandao unakuwa mkubwa na wa kina (vggface16 layer, facenet22 layer). 2) Pamoja na kuongezeka kwa kiasi cha data (deepface milioni 4, facenet milioni 200), data kubwa imekuwa ufunguo wa kuboresha utendakazi wa utambuzi wa nyuso. Katika enzi ya kabla ya DL, kuchukua SDK ya kizazi cha tatu na nusu ya maabara ya vipl kama mfano, pointi muhimu za kiufundi ni pamoja na 1) muunganisho wa kipengele cha uso wa vitalu: kipengele cha Gabor LPQ. 2) Kujifunza kwa nafasi ndogo kwa kupunguza vipengele (PCA LDA). 3) Muunganisho wa kiolezo cha urekebishaji wa uso wa viwango vingi. Teknolojia zinazohusiana za sdk3.5 zilipata kiwango cha uthibitishaji cha 96% chini ya hali ya kiwango cha kukubali makosa 0.1% katika Jaribio la 4 la FRGC, ambalo bado ni tokeo bora zaidi katika seti ya data ya FRGC. Ikumbukwe kwamba ingawa ujifunzaji wa kina unasisitiza ujifunzaji wa kipengele, vipengele vya kujifunza sio hataza ya DL. Katika enzi ya kabla ya DL, kazi ya kujifunza uwakilishi wa moja kwa moja kutoka kwa picha kwa kutumia vielelezo vya kina na kujifunza uwasilishaji wa kisemantiki kulingana na maelezo ya bandia (kama vile sifa na kiainishaji fanani cha kujifunza uwakilishi wa sifa wa kiwango cha kati na Tom vs Pete kwa kujifunza uwakilishi wa kisemantiki wa kiwango cha juu. ) huonekana katika fasihi husika. Mnamo 2014, Facebook ilichapisha kazi yake kwenye cvpr14. Deepface ilichanganya data kubwa (data ya nyuso milioni 4) na mtandao wa ushawishi wa kina, ambao ulikaribia usahihi wa utambuzi wa binadamu kwenye seti ya data ya LFW. Deepface pia inatanguliza muundo wa ndani uliounganishwa wa ubadilishaji ili kujifunza kerneli tofauti ya ubadilishaji katika kila nafasi ya anga. Hasara ni kwamba itasababisha upanuzi wa parameter. Muundo huu haukuwa maarufu baadaye. Familia ya kina inaweza kuzingatiwa kama kikundi cha kazi ya uwakilishi katika uwanja wa utambuzi wa uso katika enzi ya DL. Mtandao wa mapema kabisa wa kina ulijumuisha tabaka nne za ubadilishaji na utendakazi wa upotezaji wa softmax uliopitishwa. Deepid2 inazingatia upotezaji wa utambulisho na upotezaji wa uthibitishaji kwa misingi ya mtandao wa deepid2. Hasara hizi mbili zinaweza kupatikana kwa kutumia safu ya softmaxwithlos na safu ya upotezaji wa utofautishaji mtawalia katika mfumo wa kujifunza kwa kina wa Caffe. Mtandao wa Deepid2 huongeza utendakazi wa upotevu msaidizi wa kila safu kwa msingi wa deepid2 (sawa na mtandao unaosimamiwa kwa kina). Google ilichapisha kazi yake katika cvpr2015. Facenet hutumia safu 22 za mtandao wa ubadilishaji wa kina na data kubwa ya uso (picha milioni 200 za watu milioni 8) Na utendaji wa upotevu mara tatu unaotumiwa sana katika kazi za kurejesha picha. Ni muhimu kutaja kwamba, kwa kuwa idadi ya makundi ya uso hufikia milioni 8, ikiwa hasara ya softmax inatumiwa, idadi ya nodi za safu ya pato itafikia milioni 8, na angalau kumbukumbu ya video ya 32GB inahitajika (ikizingatiwa kuwa node ya mwisho ya safu iliyofichwa ina. 1024, kwa kutumia nambari moja za uhakika za kuelea) Hata hivyo, upotevu wa sehemu tatu hauhitaji kuchukua kumbukumbu ya ziada ya video. Usahihi wa wastani wa Facenet wa punguzo la 10% kwenye seti ya data ya LFW unafikia 99.63%, ambayo pia ni matokeo bora zaidi katika karatasi zilizochapishwa rasmi kufikia sasa, ambayo inakaribia kumalizika kwa shindano la miaka minane la utendaji kwenye LFW kutoka 2008 hadi 2015.