Распознавание лиц для цветных людей
Распознавание лиц — одна из популярных областей искусственного интеллекта и машинного обучения, расширяющая варианты использования от безопасности до развлекательных целей. Разблокировка лица в смартфонах Android и Face ID в устройствах iOS были общепринятой терминологией. Большинство используют эту технологию для блокировки своих интеллектуальных устройств, а также упрощают работу при публикации друзей на Facebook, где автоматическая пометка Facebook выполняет свою работу быстрее.
Эта технология дала много преимуществ и облегчила работу в области безопасности и домашнего использования. Хотя эта технология вызывает некоторые вопросы, которые могут быть неправильно поняты и даже смешаны с расизмом и этнической принадлежностью. Технология распознавания лиц сталкивается с трудностями при распознавании цветных людей с удовлетворительной точностью. Он возвращает много ложных срабатываний при распознавании чернокожих (темнокожих), то есть большинство моделей распознавания лиц, используемых во всем мире, будут сбивать людей с толку, что может привести к тому, что система подтвердит лицо не того человека. Это может показаться не таким уж проблематичным, пока вы не подумаете об этом таким образом;
Использование технологии распознавания лиц для идентификации преступников из криминальной базы данных подтвердит, что больше чернокожих являются преступниками, хотя они невиновны. Кроме того, использование разблокировки лица для хранилища, зарегистрированного с лицом цветного человека, приведет к тому, что хранилище будет уязвимо для открытия некоторыми другими цветными людьми. Таким образом, необходимо иметь некоторые мощные модели и технологии для решения. Как энтузиаст машинного обучения и искусственного интеллекта, это привлекло мое внимание, и я погрузился в исследование популярных моделей распознавания лиц и обнаружения лиц, чтобы увидеть, можем ли мы использовать существующие модели, улучшить их производительность и заставить их лучше работать с цветными людьми.
В своем исследовании я проанализировал семь моделей распознавания лиц и пять моделей распознавания лиц. Модели распознавания лиц: VGG-Face, Google Face-Net, Facebook Deep-Face, Open-Face, DLIB, Face-ID и Arc-Face. Проанализированные модели распознавания лиц: OpenCV, Retina-Face, DLIB, MTCNN и SSD. Я не буду углубляться и объяснять каждую модель, я кратко объясню технологию распознавания лиц и то, к чему я пришел в качестве заключения к своему исследованию. Я все еще провожу дополнительные исследования по этому вопросу, по крайней мере, пока я пришел к некоторым многообещающим результатам.
Распознавание лиц — это процесс, посредством которого компьютер способен идентифицировать человека по его чертам лица. Точно так же, как ваш смартфон разблокируется, когда он видит ваше лицо, это означает, что он узнал вас, владельца телефона. Распознавание лиц включает в себя несколько шагов для выполнения задачи идентификации людей. Эти шаги обычно можно разделить на два основных этапа: обнаружение и распознавание. Компьютер должен сначала определить, есть ли лицо в среде, которую он видит в данный момент, эта среда может быть графическим содержимым или кадром реального мира. После подтверждения того, что лицо существует в его поле зрения, и определения его местоположения, он теперь может выполнять над ним некоторые сложные сложные вычисления, чтобы машина по чертам лица была понятна компьютеру для выполнения сравнений с лицами, хранящимися в его базе данных лиц (Знание). Сравнение лиц и подтверждение того, известно ли лицо или неизвестно, является последним шагом в процессе распознавания лиц.
Следуя приведенным выше объяснениям, вы теперь можете понять, почему существуют модели Распознавание лиц и Распознавание лиц. Эти модели работают вместе рука об руку, чтобы сделать процесс успешным. Проанализировав их в своем исследовании, я обнаружил, что некоторые модели распознавания лиц не работают с некоторыми моделями распознавания лиц. Кроме того, некоторые модели распознавания лиц работали лучше, когда использовались вместе с некоторыми моделями распознавания лиц, и это натолкнуло меня на мысль, что, возможно, некоторая комбинация этих существующих моделей может дать лучшие результаты, чем наблюдаемые в настоящее время характеристики моделей. Таким образом, задача состояла в том, чтобы протестировать каждую из моделей распознавания лиц со всеми пятью моделями распознавания лиц, которые я выбрал. С помощью моей команды Team Alpha мы смогли протестировать все семь моделей распознавания лиц с пятью моделями распознавания лиц, и именно тогда я пришел к выводу, что может быть одним из шагов к победе над гигантским зверем, который является проблемой Facial. Признание цветных людей.
В таблице ниже представлены краткие результаты, полученные в ходе исследования. Примечание. Слева находятся модели распознавания лиц, а сверху — модели распознавания лиц. Значения в таблице представляют собой расстояние до лица (чем меньше, тем лучше), что, в свою очередь, объясняет, насколько точна модель при анализе лиц с темной кожей.
Из приведенной выше таблицы большинство комбинаций возвращали ложные срабатывания, помеченные как NIL, а некоторые из них даже не работали вместе и вообще не давали обнаружения. Показанное выше является сводкой, было собрано множество наблюдений только для того, чтобы нарисовать приведенное выше окончательное представление. Некоторые комбинации работали лучше, чем в форме по умолчанию. Например, VGG-Face обучался вместе с OpenCV в качестве модели распознавания лиц, но после их рекомбинации я обнаружил, что она даже лучше работает с DLIB и Retina-Face. Возвращаясь к нашему случаю, комбинация Face-Net с Retina-Face дала лучшую точность для цветных людей со светлой кожей, а комбинация Face-Net с DLIB дала лучшую точность для темнокожих людей. Что, в свою очередь, не давало более высокой точности на светлокожих людях, но не давало ложных срабатываний, а это именно то, что мы ищем. Таким образом, в заключение можно сказать, что использование модели Google Face-Net вместе с DLIB для процесса распознавания лиц может кардинально изменить процесс распознавания лиц цветных людей.
Технология развивается, и были опасения по поводу причин того, почему распознавание лиц плохо работает на цветных людях. Что касается характера обучения этих моделей, другие даже говорят, что трудно получить четкое изображение от чернокожего человека. Во всем этом есть доля правды, но мы все должны помнить, что технологии быстро развиваются, и когда дело доходит до распознавания лиц, они все еще делают первые шаги. Однажды, рано или поздно, эта проблема будет решена, потому что хорошие ребята проводят над ней глубокие исследовательские проекты, как этот.
