211service.com
Facebook tworzy oprogramowanie, które dopasowuje się do twarzy prawie tak dobrze jak Ty
Zapytany, czy dwa nieznane zdjęcia twarzy przedstawiają tę samą osobę, człowiek odpowie poprawnie w 97,53 procent przypadków. Nowe oprogramowanie opracowane przez badaczy z Facebooka może uzyskać 97,25 procent punktów za to samo wyzwanie, niezależnie od różnic w oświetleniu lub tego, czy osoba na zdjęciu jest skierowana bezpośrednio do aparatu.
To znaczny postęp w stosunku do poprzedniego oprogramowania do dopasowywania twarzy i pokazuje siłę nowego podejścia do sztucznej inteligencji, znanego jako głębokie uczenie się, na które Facebook i jego konkurenci mocno postawili w ciągu ostatniego roku (patrz Deep Learning ). Ten obszar sztucznej inteligencji obejmuje oprogramowanie, które wykorzystuje sieci symulowanych neuronów, aby nauczyć się rozpoznawać wzorce w dużych ilościach danych.
Zwykle nie widać tego rodzaju poprawy, mówi Yaniv Taigman, członek zespołu AI Facebooka, grupy badawczej utworzonej w zeszłym roku w celu zbadania, w jaki sposób głębokie uczenie może pomóc firmie (patrz Facebook wprowadza zaawansowane działania sztucznej inteligencji). Ściśle podchodzimy do ludzkiej wydajności, mówi Taigman o nowym oprogramowaniu. Zauważa, że wskaźnik błędów został zmniejszony o ponad jedną czwartą w stosunku do wcześniejszego oprogramowania, które może wykonać to samo zadanie.
Obrót głową: DeepFace używa modelu 3D do wirtualnego obracania twarzy tak, aby były skierowane w stronę kamery. Obraz (a) pokazuje oryginalny obraz, a (g) pokazuje ostateczną, poprawioną wersję.
Nowe oprogramowanie Facebooka, znane jako DeepFace, wykonuje to, co naukowcy nazywają weryfikacją twarzy (rozpoznaje, że dwa obrazy przedstawiają tę samą twarz), a nie rozpoznawanie twarzy (przypisywanie imienia do twarzy). Ale niektóre z podstawowych technik można zastosować do tego problemu, mówi Taigman, i dlatego mogą poprawić dokładność Facebooka w sugerowaniu, kogo użytkownicy powinni oznaczyć na nowo przesłanym zdjęciu.
Jednak DeepFace pozostaje na razie wyłącznie projektem badawczym. Facebook opublikował artykuł naukowy nad projektem w zeszłym tygodniu, a naukowcy zaprezentują prace na Konferencja IEEE na temat wizji komputerowej i rozpoznawania wzorców w czerwcu. Publikujemy nasze wyniki, aby uzyskać opinie społeczności badawczej, mówi Taigman, który opracował DeepFace wraz z kolegami z Facebooka Ming Yang i Marc’Aurelio Ranzato oraz profesorem Uniwersytetu w Tel Awiwie Liorem Wolfem.
DeepFace przetwarza obrazy twarzy w dwóch krokach. Najpierw koryguje kąt twarzy tak, aby osoba na zdjęciu była zwrócona do przodu, używając trójwymiarowego modelu przeciętnej twarzy skierowanej do przodu. Następnie pojawia się głębokie uczenie, gdy symulowana sieć neuronowa opracowuje numeryczny opis zreorientowanej twarzy. Jeśli DeepFace znajdzie wystarczająco podobne opisy z dwóch różnych obrazów, decyduje, że muszą pokazywać tę samą twarz.
Wydajność ostatecznego oprogramowania została przetestowana pod kątem standardowy zestaw danych którego naukowcy używają do testowania oprogramowania do przetwarzania twarzy, które zostało również wykorzystane do pomiaru tego, jak ludzie radzą sobie z dopasowaniem twarzy.
Neeraj Kumar , naukowiec z University of Washington, który pracował nad weryfikacją i rozpoznawaniem twarzy, twierdzi, że wyniki Facebooka pokazują, w jaki sposób znalezienie wystarczającej ilości danych, aby przesłać je do dużej sieci neuronowej, może pozwolić na znaczną poprawę oprogramowania do uczenia maszynowego. Założę się, że wiele korzyści wynika z tego, co generalnie zapewnia głębokie uczenie: możliwość wykorzystania ogromnych ilości danych zewnętrznych w modelu uczenia się o znacznie większej wydajności, mówi.
Część DeepFace do uczenia głębokiego składa się z dziewięciu warstw prostych symulowanych neuronów, z ponad 120 milionami połączeń między nimi. Aby przeszkolić tę sieć, badacze Facebooka wykorzystali niewielki wycinek danych ze zbioru obrazów użytkowników ich firmy — cztery miliony zdjęć twarzy należących do prawie 4000 osób. Ponieważ mają dostęp do wielu danych w tej formie, mogą z powodzeniem trenować model o dużej pojemności, mówi Kumar.