Ansigtsgenkendelsesalgoritmen indstillet til at revolutionere billedsøgning

Tilbage i 2001 udløste to computerforskere, Paul Viola og Michael Jones, en revolution inden for computeransigtsgenkendelse. Efter flere års stagnation var deres gennembrud en algoritme, der kunne spotte ansigter i et billede i realtid. Faktisk var den såkaldte Viola-Jones-algoritme så hurtig og enkel, at den snart blev indbygget i standard peg-og-skyd-kameraer.

En del af deres trick var at ignorere det meget vanskeligere problem med ansigtsgenkendelse og kun koncentrere sig om detektion. De fokuserede også kun på ansigter set forfra og ignorerede alle set fra en vinkel. I betragtning af disse grænser indså de, at næseryggen normalt dannede en lodret linje, der var lysere end øjenhulerne i nærheden. De lagde også mærke til, at øjnene ofte var i skygge og derfor dannede et mørkere vandret bånd.

Så Viola og Jones byggede en algoritme, der først ser efter lodrette lyse bånd i et billede, der kan være næser, den leder derefter efter vandrette mørke bånd, der kan være øjne, og søger derefter efter andre generelle mønstre forbundet med ansigter.

Opdaget af sig selv, er ingen af ​​disse træk stærkt antydende til et ansigt. Men når de opdages den ene efter den anden i en kaskade, er resultatet en god indikation af et ansigt på billedet. Deraf navnet på denne proces: en detektorkaskade. Og da disse tests alle er enkle at køre, kan den resulterende algoritme arbejde hurtigt i realtid.

Men selvom Viola-Jones-algoritmen var noget af en åbenbaring for ansigter set forfra, kan den ikke præcist spotte ansigter fra nogen anden vinkel. Og det begrænser i høj grad, hvordan det kan bruges til ansigtssøgemaskiner.

Derfor er Yahoo interesseret i dette problem. I dag afslører Sachin Farfade og Mohammad Saberian ved Yahoo Labs i Californien og Li-Jia Li ved Stanford University i nærheden en ny tilgang til problemet, der kan se ansigter på skrå, selv når de er delvist okkluderede. De siger, at deres nye tilgang er enklere end andre og alligevel opnår avanceret ydeevne.

Farfade og co bruger en fundamentalt anderledes tilgang til at bygge deres model. De udnytter de fremskridt, der er gjort i de senere år på en type maskinlæring kendt som et dybt foldet neuralt netværk. Ideen er at træne et mangelags neuralt netværk ved hjælp af en enorm database med kommenterede eksempler, i dette tilfælde billeder af ansigter fra mange vinkler.

Til det formål oprettede Farfade og co en database med 200.000 billeder, der inkluderede ansigter i forskellige vinkler og orienteringer og yderligere 20 millioner billeder uden ansigter. De trænede derefter deres neurale net i batcher af 128 billeder over 50.000 iterationer.

Resultatet er en enkelt algoritme, der kan se ansigter fra en lang række vinkler, selv når de er delvist okkluderede. Og den kan spotte mange ansigter i det samme billede med bemærkelsesværdig nøjagtighed.

Holdet kalder denne tilgang for Deep Dense Face Detector og siger, at den kan sammenlignes godt med andre algoritmer. Vi evaluerede den foreslåede metode med andre deep learning-baserede metoder og viste, at vores metode resulterer i hurtigere og mere præcise resultater, siger de.

Hvad mere er, er deres algoritme betydeligt bedre til at spotte ansigter, når de vender på hovedet, noget andre tilgange ikke har perfektioneret. Og de siger, at det kan gøres endnu bedre med datasæt, der indeholder flere ansigter på hovedet. Vi planlægger at bruge bedre prøveudtagningsstrategier og mere sofistikerede dataforstærkningsteknikker for yderligere at forbedre ydeevnen af ​​den foreslåede metode til at detektere okkluderede og roterede ansigter.

Det er interessant arbejde, der viser, hvor hurtigt ansigtsgenkendelse skrider frem. Den dybe konvolutionelle neurale netværksteknik er kun et par år gammel i sig selv, og den har allerede ført til store fremskridt inden for genkendelse af objekter og ansigter.

Det store løfte ved denne form for algoritme er i billedsøgning. I øjeblikket er det ligetil at jage billeder taget et bestemt sted eller på et bestemt tidspunkt. Men det er svært at finde billeder taget af bestemte personer. Dette er et skridt i den retning. Det er uundgåeligt, at denne evne vil være med os i en ikke alt for fjern fremtid.

Og når den ankommer, vil verden blive et meget mindre sted. Det er ikke kun fremtidige billeder, der vil blive søgbare, men hele historien om digitaliserede billeder, herunder store lagre af video og CCTV-optagelser. Det vil være en stærk kraft, på den ene eller den anden måde.

Ref: arxiv.org/abs/1502.02766 : Ansigtsgenkendelse med flere visninger ved hjælp af dybe konvolutionelle neurale netværk

skjule