211service.com
Facebook skapar programvara som matchar ansikten nästan lika bra som du gör
På frågan om två okända foton av ansikten visar samma person kommer en människa att få det rätt 97,53 procent av gångerna. Ny mjukvara utvecklad av forskare på Facebook kan få 97,25 procent på samma utmaning, oavsett variationer i ljussättning eller om personen på bilden är rakt vänd mot kameran.
Det är ett betydande framsteg jämfört med tidigare mjukvara för ansiktsmatchning, och det visar kraften i ett nytt tillvägagångssätt för artificiell intelligens, känd som djupinlärning, som Facebook och dess konkurrenter har satsat hårt på under det senaste året (se Deep Learning ). Detta område av AI involverar programvara som använder nätverk av simulerade neuroner för att lära sig känna igen mönster i stora mängder data.
Du ser normalt inte den typen av förbättringar, säger Yaniv Taigman, en medlem av Facebooks AI-team, en forskargrupp som skapades förra året för att utforska hur djupinlärning kan hjälpa företaget (se Facebook lanserar avancerad AI-ansträngning). Vi närmar oss mänskliga prestationer nära, säger Taigman om den nya mjukvaran. Han konstaterar att felfrekvensen har minskat med mer än en fjärdedel jämfört med tidigare mjukvara som kan ta på sig samma uppgift.
Huvudsväng: DeepFace använder en 3D-modell för att rotera ansikten, virtuellt, så att de är vända mot kameran. Bild (a) visar originalbilden och (g) visar den slutliga, korrigerade versionen.
Facebooks nya programvara, känd som DeepFace, utför vad forskare kallar ansiktsverifiering (den känner igen att två bilder visar samma ansikte), inte ansiktsigenkänning (att sätta ett namn på ett ansikte). Men några av de underliggande teknikerna skulle kunna tillämpas på det problemet, säger Taigman, och kan därför förbättra Facebooks noggrannhet när det gäller att föreslå vem användare ska tagga i ett nyligen uppladdat foto.
DeepFace förblir dock ett rent forskningsprojekt än så länge. Facebook släppt en forskningsartikel på projektet förra veckan, och forskarna kommer att presentera arbetet på IEEE-konferens om datorseende och mönsterigenkänning i juni. Vi publicerar våra resultat för att få feedback från forskarsamhället, säger Taigman, som utvecklat DeepFace tillsammans med Facebook-kollegorna Ming Yang och Marc’Aurelio Ranzato och professorn Lior Wolf vid universitetet i Tel Aviv.
DeepFace bearbetar bilder av ansikten i två steg. Först korrigerar den vinkeln på ett ansikte så att personen på bilden vänder sig framåt, med hjälp av en 3D-modell av ett genomsnittligt framåtblickande ansikte. Sedan kommer den djupa inlärningen in när ett simulerat neuralt nätverk utarbetar en numerisk beskrivning av det omorienterade ansiktet. Om DeepFace kommer med tillräckligt lika beskrivningar från två olika bilder, bestämmer den att de måste visa samma ansikte.
Prestandan för den slutliga programvaran testades mot en standarddatauppsättning som forskare använder för att benchmarka mjukvara för ansiktsbearbetning, som också har använts för att mäta hur människor klarar sig med att matcha ansikten.
Neeraj Kumar , en forskare vid University of Washington som har arbetat med ansiktsverifiering och ansiktsigenkänning, säger att Facebooks resultat visar hur att hitta tillräckligt med data för att matas in i ett stort neuralt nätverk kan möjliggöra betydande förbättringar av maskininlärningsprogramvara. Jag skulle slå vad om att mycket av vinsten här kommer från vad djupinlärning i allmänhet ger: att kunna utnyttja enorma mängder extern data i en inlärningsmodell med mycket högre kapacitet, säger han.
Den djupa inlärningsdelen av DeepFace består av nio lager av enkla simulerade neuroner, med mer än 120 miljoner kopplingar mellan dem. För att träna det nätverket, använde Facebooks forskare en liten bit data från deras företags skara användarbilder – fyra miljoner foton av ansikten som tillhör nästan 4 000 personer. Eftersom de har tillgång till massor av data av den här formen kan de framgångsrikt träna en högkapacitetsmodell, säger Kumar.