Combater a fraude e satisfação do cliente aumento
Uma dupla de pesquisadores de Hong Kong está reivindicando um primeiro desenvolvimento de software, que pode identificar as pessoas a partir de fotografias melhor do que os seres humanos podem.
Sua reivindicação, neste Arxiv papel , baseia-se nos FLM - Rotulados Faces in the Wild - benchmark. Essa referência é composto por 13.000 fotografias de 6.000 figuras públicas, com os seres humanos e computadores pediram para comparar pares de fotos e descobrir se eles são a mesma pessoa.
De acordo com pesquisadores Chaochao Lu e Xiaoou Tang, da Universidade Chinesa de Hong Kong, os seres humanos realizar a tarefa cara-de verificação com 97,53 por cento de precisão - o que sua abordagem, apelidado GaussianFace, bate em 98,52 por cento.
O que Lu e Tang fez foi olhar para sistemas de verificação de face existentes, que funcionam tanto com a construção de modelos de classificação ou por extração de características de baixo nível das fotos. Cada abordagem tem suas falhas - principalmente porque eles precisam de uma boa quantidade de intervenção do operador para ajustar a forma como o software funciona, e porque muitas vezes múltipla "treinamento executado" são necessários para elaborar os parâmetros que precisam ser ajustados.
Em vez disso, em GaussianFace, Lu e Tang afirmam que eles produziram uma abordagem mais computacionalmente eficiente que funciona em uma única corrida de treinamento, com base no Processo de Gauss ", um método do kernel Bayesiana não-paramétrica".
Mais simplesmente: GaussianFace normaliza cada pic em uma imagem de 150x120 pixels, e usa cinco marcos - dois olhos, o nariz e os cantos da boca - como base para a imagem transformar. Em seguida, cria 25 x 25 telhas sobrepostas na imagem e captura um vetor de cada patch.
A outra chave para tornar o trabalho GaussianFace é escolher o conjunto de dados de treinamento certo, de acordo com o Blog Arxiv. Para isso, os pesquisadores usaram LifePhotos e conjuntos de dados Multi-PIE, que incluem os mesmos assuntos fotografados em diferentes condições, para que o software poderia "aprender" o que o mesmo rosto parece diferente sob iluminação e pontos de vista.
GaussianFace não é perfeito, no entanto: "ainda leva muito tempo para treinar o nosso modelo para o alto desempenho. Além disso, a memória também é necessário grande. Portanto, para aplicação específica, é preciso equilibrar as três dimensões: memória, tempo de execução e performance ", escrevem os pesquisadores.
"Superando o desempenho de nível humano só pode ser simbolicamente significativa", observam. ®
via Alimentação (Feed)
Nenhum comentário:
Postar um comentário