ด้วยโครงสร้างที่แปลกใหม่ การใช้งานจริง การออกแบบที่สมเหตุสมผลและชาญฉลาด และอายุการใช้งานที่ยาวนาน ระบบบันทึกเวลาการจดจำใบหน้าได้ค้นพบการใช้งานมากมายในอุตสาหกรรมต่างๆ มากมาย สิ่งนี้กระตุ้นให้ลูกค้าตระหนักถึงความสำคัญและคุณค่าของผลิตภัณฑ์ชุดนี้มากขึ้น และลูกค้าเริ่มมีส่วนร่วมในธุรกิจมากขึ้น พัฒนาคุณลักษณะที่ยังไม่ได้สำรวจ และใช้ประโยชน์จากศักยภาพของผลิตภัณฑ์เพื่อทำให้ผลิตภัณฑ์เหล่านี้โดดเด่นกว่าผลิตภัณฑ์อื่นๆ ที่คล้ายคลึงกัน ผลิตภัณฑ์นี้มีศักยภาพสูงสำหรับการใช้งานในอนาคต



เซินเจิ้น Tiger Wong Technology Co. , Ltd เป็นบริษัทชั้นนำที่เชี่ยวชาญด้านระบบบันทึกเวลาการจดจำใบหน้า ระบบบันทึกเวลาการจดจำใบหน้าที่เราผลิตขึ้นนั้นง่ายต่อการบำรุงรักษา ในช่วงหลายปีที่ผ่านมา บริษัท Shenzhen Tiger Wong Technology Co.,Ltd ได้พัฒนาจากการมุ่งเน้นที่คุณภาพไปสู่ความก้าวหน้าในอุตสาหกรรมระบบบันทึกเวลาการจดจำใบหน้า



ระบบบันทึกเวลาด้วยใบหน้าของเราทั้งหมดได้รับการออกแบบและปรับแต่งให้ตรงตามข้อกำหนดเฉพาะและปรับให้เข้ากับความต้องการของลูกค้าแต่ละราย รับใบเสนอราคา!


· คำถามที่เกี่ยวข้อง:


1. โอกาสการสมัครของระบบบันทึกเวลาด้วยใบหน้าเป็นอย่างไร?

เมื่อพูดถึงโอกาสในการประยุกต์ใช้ผลิตภัณฑ์ ไม่เพียงแต่หมายถึงการใช้งานจริง (ฟังก์ชันของมัน) แต่ยังรวมถึงแอปพลิเคชันทางการตลาดด้วย (มูลค่าของผลิตภัณฑ์) สำหรับโอกาสในการสมัครของระบบบันทึกเวลาการจดจำใบหน้า ก็มีแนวโน้มในทั้งสองอย่าง R & D เพื่อค้นพบความสามารถในการใช้งานที่อาจเกิดขึ้นในสาขาอื่นๆ ปัจจุบันได้รับความนิยมจากลูกค้าทั่วโลกในด้านคุณภาพสูง ราคาไม่แพง ความเก่งกาจ และความคุ้มค่าสูงสุด เป็นผลิตภัณฑ์ที่น่าลงทุนอย่างแน่นอน

ปัจจุบันระบบที่จอดรถมีการแข่งขันกันมากขึ้นเรื่อย ๆ ตั้งแต่การแข่งขันด้านผลิตภัณฑ์ไปจนถึงการแข่งขันด้านแบรนด์ไปจนถึงการแข่งขันทางการตลาด สำหรับองค์กร เมื่อเผชิญกับการแข่งขันที่รุนแรง พวกเขาต้องเชี่ยวชาญเทคโนโลยีหลักของตนเองเพื่อที่จะอยู่รอด โดยเฉพาะอย่างยิ่งในยุคที่มีการแข่งขันสูงนี้ มีเพียงการตอบสนองความต้องการของผู้ใช้อย่างเต็มที่เท่านั้น พวกเขาสามารถช่วยให้องค์กรได้รับการพัฒนาในระยะยาวมากขึ้น และปรับปรุงความชัดเจนของแบรนด์ ให้ผู้ใช้เข้าใจคุณภาพและแบรนด์ของประตูอย่างชัดเจน การรับรู้ถึงตราสินค้ามีความสำคัญมากสำหรับผู้ใช้ ซึ่งสามารถช่วยให้ผู้ใช้จดจำผลิตภัณฑ์ทางจิตวิทยาได้ แน่นอนว่าการรับรู้ถึงแบรนด์ควรมีจุดแข็งของแบรนด์และตอบสนองความต้องการของผู้คนในแง่ของคุณภาพและบริการ แน่นอน สำหรับผู้ผลิตที่ได้รับความนิยม ฟังก์ชันของผลิตภัณฑ์มีความหลากหลายมากขึ้น สามารถดำเนินการพัฒนาแบบกำหนดเองได้ตามความต้องการที่แตกต่างกันของผู้ใช้ ด้วยการปรับปรุงมาตรฐานการครองชีพของผู้คนอย่างต่อเนื่อง ผู้ผลิตระบบที่จอดรถจึงต้องใช้เวลาและความพยายามมากขึ้นในการออกแบบรูปลักษณ์ของผลิตภัณฑ์ และพัฒนาฟังก์ชันใหม่ ๆ และขั้นสูงขึ้นเพื่อตอบสนองความต้องการของผู้ใช้ นอกจากนี้ระบบที่จอดรถในปัจจุบันเป็นพื้นเดียวกันในแง่ของอุปกรณ์ฮาร์ดแวร์ สำหรับผู้ผลิตที่มี R อิสระ
& ความสามารถ D จำเป็นต้องเริ่มปรับปรุงซอฟต์แวร์ซึ่งไม่เพียงเอื้อต่อการอัพเกรดผลิตภัณฑ์ที่ตามมาเท่านั้น แต่ยังหลีกเลี่ยงการทำให้อุปกรณ์ฮาร์ดแวร์เป็นเนื้อเดียวกันกับผู้ผลิตรายอื่น ผู้ผลิตระบบที่จอดรถจะต้องชนะการพัฒนาระยะยาวตามมาด้วยความแข็งแกร่งของแบรนด์ ปรับปรุงคุณภาพผลิตภัณฑ์ของตนต่อไป ให้บริการที่สมบูรณ์แบบ และดึงดูดผู้ใช้ด้วยผลิตภัณฑ์ของตนเอง

กระบวนการคลาสสิกของการจดจำใบหน้าอัตโนมัติแบ่งออกเป็นสามขั้นตอน: การตรวจจับใบหน้า ตำแหน่งจุดแสดงใบหน้า (หรือที่เรียกว่าการจัดตำแหน่งใบหน้า) การแยกคุณลักษณะ และการออกแบบตัวแยกประเภท โดยทั่วไป การจดจำใบหน้าในความหมายที่แคบหมายถึง
& quot; ตัวแยกประเภทคุณลักษณะ
& quot; การวิจัยอัลกอริธึมสองส่วน ก่อนการเกิดขึ้นของการเรียนรู้เชิงลึก โดยทั่วไปวิธีการจดจำใบหน้าแบ่งออกเป็นสองขั้นตอน: การแยกคุณลักษณะประดิษฐ์ที่มีมิติสูง (เช่น LBP, Gabor เป็นต้น) และการลดขนาด วิธีการลดขนาดที่เป็นตัวแทนรวมถึงวิธีการเรียนรู้ subspace เช่น PCA และ LDA และวิธีการเรียนรู้ที่เป็นที่นิยมเช่น LPP หลังจากความนิยมของวิธีการเรียนรู้เชิงลึก วิธีการเป็นตัวแทนคือการเรียนรู้การแสดงใบหน้าที่เลือกปฏิบัติโดยตรงจากพื้นที่ภาพต้นฉบับ โดยทั่วไป ประวัติการวิจัยของการจดจำใบหน้าสามารถแบ่งออกเป็นสามขั้นตอน ในระยะแรก (ทศวรรษ 1950-1980) การจดจำใบหน้าถือเป็นปัญหาการจดจำรูปแบบทั่วไป เทคโนโลยีกระแสหลักขึ้นอยู่กับโครงสร้างทางเรขาคณิตของใบหน้า ในระยะที่สอง (ทศวรรษ 1990) การจดจำใบหน้าพัฒนาขึ้นอย่างรวดเร็ว และวิธีการแบบคลาสสิกปรากฏขึ้นมากมาย เช่น eigenface, Fisher face และการจับคู่กราฟแบบยืดหยุ่น ในเวลานี้ เส้นทางทางเทคนิคหลักกำลังเผชิญกับการสร้างแบบจำลองที่ชัดเจน ในระยะที่สาม (ตั้งแต่ช่วงปลายทศวรรษ 1990 จนถึงปัจจุบัน) การวิจัยเกี่ยวกับการจดจำใบหน้าได้ลึกซึ้งยิ่งขึ้น นักวิจัยเริ่มให้ความสนใจกับการจดจำใบหน้าในสถานการณ์จริง ซึ่งรวมถึง 4 ประเด็นหลักดังต่อไปนี้ 1) เสนอแบบจำลองพื้นที่ใบหน้าที่แตกต่างกัน รวมถึงวิธีการสร้างแบบจำลองเชิงเส้นที่แสดงโดยการวิเคราะห์จำแนกเชิงเส้น วิธีการสร้างแบบจำลองไม่เชิงเส้นแสดงโดยวิธีเคอร์เนล และวิธีการจดจำใบหน้า 3 มิติ เกี่ยวกับข้อมูล 3 มิติ 2) วิเคราะห์และศึกษาปัจจัยที่ส่งผลต่อการจดจำใบหน้าอย่างละเอียด รวมถึงการจดจำใบหน้าที่ไม่เปลี่ยนแปลงของแสง การจดจำใบหน้าที่ไม่เปลี่ยนแปลง และการจดจำใบหน้าที่ไม่เปลี่ยนแปลงของการแสดงออก 3) มีการใช้การนำเสนอคุณสมบัติใหม่ รวมถึงตัวอธิบายในพื้นที่ (หน้า Gabor ใบหน้า LBP ฯลฯ) และวิธีการเรียนรู้เชิงลึก 4) การใช้แหล่งข้อมูลใหม่ เช่น การจดจำใบหน้าตามวิดีโอ และการจดจำใบหน้าตามภาพร่างและภาพใกล้อินฟราเรด ตั้งแต่ปี 2550 ฐานข้อมูล LFW ได้กลายเป็นเกณฑ์มาตรฐานการทดสอบการจดจำใบหน้าภายใต้สภาวะจริง ชุดข้อมูล LFW ประกอบด้วยรูปภาพใบหน้า 13233 รูปจากผู้คน 5749 คนจากอินเทอร์เน็ต โดยในจำนวนนี้ 1,680 คนมีรูปภาพตั้งแต่ 2 รูปขึ้นไป โปรโตคอลการทดสอบมาตรฐานของ LFW ประกอบด้วยงานยืนยันสิบเท่าของใบหน้า 6000 คู่ แต่ละพับประกอบด้วยตัวอย่างเชิงบวก 300 คู่และตัวอย่างเชิงลบ 300 คู่ ความแม่นยำเฉลี่ยสิบเท่าถูกใช้เป็นดัชนีการประเมินประสิทธิภาพ นับตั้งแต่เปิดตัว LFW ประสิทธิภาพก็ได้รับการรีเฟรชอย่างต่อเนื่อง ก่อนปี 2013 เส้นทางทางเทคนิคหลักคือการเรียนรู้แบบประดิษฐ์หรือการเรียนรู้โดยใช้ตัวบอกตามท้องถิ่น หลังจากปี 2014 เส้นทางทางเทคนิคหลักคือการเรียนรู้เชิงลึก ตั้งแต่ปี 2014 ข้อมูลขนาดใหญ่ในการเรียนรู้เชิงลึก (ข้อมูลใบหน้าที่มีป้ายกำกับจำนวนมาก) ได้กลายเป็นเส้นทางทางเทคนิคหลักในด้านของการจดจำใบหน้า แนวโน้มที่สำคัญสองประการคือ 1) เครือข่ายมีขนาดใหญ่ขึ้นและลึกขึ้น (เลเยอร์ vggface16, เลเยอร์ facenet22) 2) ด้วยจำนวนข้อมูลที่เพิ่มขึ้น (ความลึก 4 ล้าน, facenet 200 ล้าน) ข้อมูลขนาดใหญ่ได้กลายเป็นกุญแจสำคัญในการปรับปรุงประสิทธิภาพของการจดจำใบหน้า ในยุคก่อน DL ยกตัวอย่างรุ่นที่สามและครึ่ง SDK ของห้องปฏิบัติการ vipl ประเด็นทางเทคนิคที่สำคัญ ได้แก่ 1) การผสมผสานฟีเจอร์หน้าบล็อก: คุณลักษณะ LPQ ของ Gabor 2) การเรียนรู้ Subspace สำหรับการลดคุณลักษณะ (PCA LDA) 3) ฟิวชั่นของเทมเพลตการทำให้เป็นมาตรฐานใบหน้าหลายสเกล เทคโนโลยีที่เกี่ยวข้องของ sdk3.5 ได้รับอัตราการยืนยันที่ 96% ภายใต้เงื่อนไขของอัตราการยอมรับข้อผิดพลาด 0.1% ใน FRGC Experiment 4 ซึ่งยังคงเป็นผลลัพธ์ที่ดีที่สุดในชุดข้อมูล FRGC ควรสังเกตว่าแม้ว่าการเรียนรู้เชิงลึกจะเน้นการเรียนรู้คุณลักษณะ แต่คุณลักษณะการเรียนรู้ไม่ใช่สิทธิบัตรของ DL ในยุคก่อน DL งานของการเรียนรู้การแสดงภาพโดยตรงจากภาพโดยใช้แบบจำลองตื้นและการเรียนรู้การแสดงความหมายตามตัวอธิบายที่ประดิษฐ์ขึ้น (เช่น คุณลักษณะและตัวแยกประเภทที่คล้ายกันสำหรับการเรียนรู้การแสดงแอตทริบิวต์ระดับกลางและ Tom vs Pete สำหรับการเรียนรู้การแสดงความหมายในระดับสูง ) มีให้เห็นในวรรณคดีที่เกี่ยวข้อง ในปี 2014 Facebook ได้เผยแพร่ผลงานใน cvpr14 Deepface รวมข้อมูลขนาดใหญ่ (ข้อมูลใบหน้า 4 ล้านรายการ) เข้ากับเครือข่าย Deep Convolution ซึ่งเข้าใกล้ความแม่นยำในการจดจำของมนุษย์ในชุดข้อมูล LFW Deepface ยังแนะนำโครงสร้าง Convolution ที่เชื่อมต่อในเครื่องเพื่อเรียนรู้เคอร์เนล Convolution ที่แยกจากกันในแต่ละตำแหน่งเชิงพื้นที่ ข้อเสียคือจะนำไปสู่การขยายพารามิเตอร์ โครงสร้างนี้ไม่เป็นที่นิยมในภายหลัง ครอบครัว Deepid ถือได้ว่าเป็นกลุ่มงานตัวแทนด้านการจดจำใบหน้าในยุค DL เครือข่าย deepid แรกสุดมีสี่ชั้น Convolution และนำฟังก์ชันการสูญเสียของ softmax มาใช้ Deepid2 พิจารณาทั้งการสูญเสียข้อมูลประจำตัวและการสูญเสียการตรวจสอบบนพื้นฐานของเครือข่าย deepid2 การสูญเสียทั้งสองนี้สามารถรับรู้ได้โดยใช้เลเยอร์ softmaxwithlos และเลเยอร์การสูญเสียความคมชัดตามลำดับในกรอบการเรียนรู้ลึกของ Caffe เครือข่าย Deepid2 เพิ่มฟังก์ชันการสูญเสียเสริมของแต่ละเลเยอร์โดยอิงจาก deepid2 (คล้ายกับเครือข่ายภายใต้การดูแลระดับลึก) Google เผยแพร่ผลงานใน cvpr2015 Facenet ใช้เครือข่าย Deep Convolution 22 ชั้นและข้อมูลใบหน้าขนาดใหญ่ (200 ล้านภาพ 8 ล้านคน) และฟังก์ชันการสูญเสียสามเท่าที่ใช้กันทั่วไปในงานดึงภาพ เป็นมูลค่าการกล่าวขวัญว่า เนื่องจากจำนวนประเภทใบหน้าถึง 8 ล้าน หากใช้การสูญเสีย softmax จำนวนโหนดชั้นเอาท์พุตจะถึง 8 ล้าน และต้องมีหน่วยความจำวิดีโออย่างน้อย 32GB (สมมติว่าโหนดชั้นซ่อนสุดท้ายมี 1024 โดยใช้เลขทศนิยมที่มีความแม่นยำเพียงจุดเดียว) อย่างไรก็ตาม การสูญหายของแฝดสามไม่จำเป็นต้องใช้หน่วยความจำวิดีโอเพิ่มเติม ความแม่นยำเฉลี่ยของ Facenet ที่ส่วนลด 10% สำหรับชุดข้อมูล LFW สูงถึง 99.63% ซึ่งเป็นผลลัพธ์ที่ดีที่สุดในเอกสารที่ตีพิมพ์อย่างเป็นทางการจนถึงขณะนี้ เกือบจะประกาศสิ้นสุดการแข่งขันด้านประสิทธิภาพแปดปีใน LFW ตั้งแต่ปี 2008 ถึง 2015