基於深度學習的方法，極大地推動了人臉辨識技術的進步。閱讀關於深度人臉辨識技術及其應用和挑戰的概述。
人臉辨識是一種利用臉部辨識或驗證個人身分的方法。它是最重要的電腦視覺應用之一，具有巨大的商業價值。因此，靜態或即時人臉辨識，是電腦視覺和人工智慧 (AI) 領域研究最廣泛的主題之一。它在安全監控、執法、生物辨識、服務業、行銷等領域有著廣泛的應用。
該技術與人臉偵測相關，用於在應用人臉辨識方法之前，從影像背景中偵測、定位和提取人臉區域。
深度人臉辨識的歷史
20 世紀 90 年代初，隨著歷史性特徵臉 (Eigenface) 方法的引入，人臉辨識技術開始流行。在 20 世紀 90 年代和 21 世紀初，整體方法在人臉辨識領域佔據主導地位。整體方法透過某些分佈假設（例如線性子空間、流形和稀疏表示）推導出低維表示。整體方法的問題，在於它們無法處理偏離其先前假設的不受控制的臉部變化。這導致了 21 世紀初，基於局部特徵的人臉辨識技術的發展。
21 世紀初，基於局部臉部特徵的辨識，和基於學習的局部描述符被引入。人臉辨識軟體使用 Gabor 濾波器，和局部二值模式 (LBP) ，及其多級和高維擴展，透過局部濾波的一些不變特性，實現了穩健的性能。然而，手工建構的特徵缺乏獨特性和緊湊性。 2010 年代初，基於學習的局部描述符被引入人臉辨識領域，其中學習局部濾波器，以提高獨特性，並學習編碼碼本，以提高緊湊性。
2014 年，Facebook 的 DeepFace 和 DeepID，在著名的 Labeled Faces in the Wild (LFW) 基準測試中，取得了最佳準確率，首次在無約束場景下超越了人類的表現。此後，研究重點轉向基於深度學習的方法。深度學習方法使用多層級聯處理單元，進行特徵提取和轉換。因此，更大規模的人臉資料庫，和先進的人臉處理技術應運而生，以促進深度人臉辨識的發展。因此，隨著表示管道變得越來越深，LFW（野外標記人臉）性能穩步提高，從 60％ 左右提高到 97％ 以上。
人臉辨識與深度學習
深度學習，尤其是深度卷積神經網路 (CNN)，在人臉辨識領域引起了越來越多的關注，並提出了多種深度學習方法。
自 2014 年以來，深度學習技術重塑了人臉辨識的研究格局，這得益於 DeepFace 和 DeepID 方法的突破。從那時起，利用分層架構學習判別性，人臉表徵的深度人臉辨識技術，顯著提升了最先進的效能，並催生了許多成功的實際應用。深度學習應用多層處理，來學習資料表徵，並進行多層次的特徵提取。
以下列出了最受歡迎的人臉辨識評估資料集：
1. 快速人臉驗證資料集
- 自然界標註人臉 (LFW)
- 自然名人正面肖像 (CFP-FP)
- 交叉姿勢 LFW (CPLFW) 資料庫
- 自然界年齡資料庫 (AgeDB)
2. 大規模人臉驗證與辨識資料集
- 百萬人臉辨識 (MegaFace)
- IARPA Janus Benchmark-B 人臉挑戰賽 (IJB-B)
- IARPA Janus Benchmark-C 人臉挑戰賽 (IJB-C)
3. 基於視訊的人臉驗證資料集
- YouTube 人臉資料庫 (YTF)
深度神經網路人臉辨識的工作原理是什麼？
人臉辨識憑藉其非侵入式和自然辨識的特性，已成為身分驗證的主要生物特徵辨識技術。因此，它已廣泛應用於軍事、金融、公共安全和日常生活等許多領域。
人臉辨識任務不同於一般的物體分類任務，因為它具有人臉的特殊性：它需要處理海量類別，這些類別之間的差異很小，但個體內部由於不同的姿勢、光照、表情、年齡和遮擋而存在巨大的差異。深度學習方法學習對應於不同抽象層次的多層表徵。這些層次構成概念的層次結構，對臉部姿勢、光線和表情的變化表現出強烈的不變性。
憑藉大量的訓練資料和現代圖形處理單元 (GPU)，深度人臉辨識方法的效能，在過去五年中得到了顯著提升，並催生了許多成功的實際應用。因此，人們對人臉辨識及其子領域進行了多項研究，包括光照不變人臉辨識、3D 人臉辨識、姿勢不變人臉辨識、蒙面人臉偵測等等。
基於海量標註資料、演算法和 GPU，深度人臉辨識在一些標準基準測試中，已經達到了超越人類的表現，具體包括近正面人臉驗證、相似人臉鑑別、跨年齡人臉驗證等。
深度神經網路人臉辨識應用
人臉辨識變體
3D 人臉辨識相較於 2D 方法具有先天優勢，但由於缺乏大量標註的 3D 數據，3D 深度人臉辨識發展尚不成熟。為了擴充 3D 訓練資料集，大多數研究採用「一對多增強」的方法來合成 3D 人臉。然而，提取 3D 人臉深度特徵的有效方法仍有待探索。
部分人臉辨識用於辨識完整人臉的任意影像區塊。部分人臉經常出現在不受約束的影像捕捉環境中，尤其是在透過監視攝影機 (CCTV) 或手機等手持裝置捕捉人臉時。此外，用於控制冠狀病毒的電腦視覺應用 —— 蒙面人臉辨識 —— 也屬於部分人臉辨識的範疇。
行動裝置的人臉辨識。隨著手機、平板電腦和擴增實境技術的興起，人臉辨識已應用於行動裝置。然而，由於計算能力的限制，這些設備中的辨識任務，需要以輕量但及時的方式執行。MobiFace 是一個深度神經網路，它提供了一種簡單有效的方法，可用於在行動裝置上有效地佈署人臉辨識。儘管它很輕量級，但卻取得了優異的效能結果（在 LFW 資料庫上準確率為 99.7%，在 Megaface 資料庫上準確率為 91.3%）。
人臉反攻擊
人臉辨識技術的成功，也引發了各種類型的攻擊，主要是對抗性機器學習攻擊，這些攻擊可能構成巨大的威脅。
人臉欺騙是指使用印刷的照片、佩戴的口罩，甚至是顯示在其他電子設備上的圖像，將假臉呈現給生物辨識感應器。為了防禦此類攻擊，人們開發了多種方法，例如，雙流 CNN，其中局部特徵，可以區分與人臉空間區域無關的欺騙區塊。另一種方法是使用整體深度圖，來確保輸入的活體樣本具有與人臉相似的深度。透過訓練真實和虛假圖像集（深度偽造），神經網路可以從預訓練模型進行微調。
對抗擾動是另一種攻擊類型，可以定義為增加一個最小向量。將此向量加入輸入影像後，深度學習模型會對輸入進行錯誤分類。目前已有一些對抗檢測和緩解演算法的實現。
模板重建攻擊：鄰域反捲積神經網路 (NbNet) ，可用於從深度模板重建人臉影像。
儘管反攻擊演算法取得了進展，但攻擊方法也在不斷更新，人臉辨識系統需要進一步提高安全性和穩健性。
人臉辨識系統去偏差
現有資料集在人口群體分佈方面存在嚴重偏差，這可能會顯著影響深度模型的公平性。為了解決這個問題，一些研究試圖將公平性，引入人臉辨識軟體，並減輕人口統計偏差，例如，不平衡訓練、屬性移除和領域自動調整。
不平衡訓練方法，透過模型正規化來減輕偏差，同時兼顧人臉辨識系統的公平性。一個突出的問題是表徵不平衡，例如人臉辨識資料中，某些人口群體的代表性不足。例如，非白種人的錯誤率，通常遠高於白種人的錯誤率。基於強化學習的種族平衡網絡 (RL-RBN) 被開發出來，目的在利用感知偏度的強化學習，來減輕人臉辨識中的偏差。此方法是一種降低不同種族之間，特徵散度偏差的方法。
屬性移除方法，會混淆或移除人臉的人口統計資訊，以學習屬性不變的表徵。例如，引入了一種方法，該方法應用混淆損失，使分類器無法區分範例的屬性，從而從特徵表示中消除多個虛假變數。例如，SensitiveNets 引入了隱私保護神經網路特徵表示，以抑制學習空間的敏感資訊，同時保持資料的效用。此方法在最小化敏感資訊的同時，保持正負嵌入之間的距離。
領域自動調整方法，提出從領域自適應的角度研究資料偏差問題，並嘗試設計領域不變的特徵表示，來減輕跨領域偏差。例如，開發了一種資訊最大化自適應網路 (IMAN) ，來減輕種族偏差，它在領域層級匹配全局分佈，同時在聚類層級學習判別性目標分佈。另一種方法是藉助在公共子空間中，學習到的稀疏重建係數，將影像空間中的白種人資料，直接轉換為非白種人域。
 |
iF+ 系列雙系統免接觸式智慧門鎖（請點擊 ↑ 連結詳細介紹） |
0 comments:
張貼留言