211service.com
Facebook skaber software, der matcher ansigter næsten lige så godt, som du gør
Forespurgt om to ukendte billeder af ansigter viser den samme person, vil et menneske få det rigtigt 97,53 procent af tiden. Ny software udviklet af forskere på Facebook kan score 97,25 procent på den samme udfordring, uanset variationer i belysningen, eller om personen på billedet vender direkte mod kameraet.
Det er et betydeligt fremskridt i forhold til tidligere ansigtsmatchende software, og det demonstrerer styrken af en ny tilgang til kunstig intelligens kendt som deep learning, som Facebook og dets konkurrenter har satset hårdt på i det seneste år (se Deep Learning). Dette område af AI involverer software, der bruger netværk af simulerede neuroner til at lære at genkende mønstre i store mængder data.
Man ser normalt ikke den slags forbedringer, siger Yaniv Taigman, et medlem af Facebooks AI-team, en forskningsgruppe, der blev oprettet sidste år for at udforske, hvordan dyb læring kan hjælpe virksomheden (se Facebook lancerer avanceret AI-indsats). Vi nærmer os menneskelig præstation tæt, siger Taigman om den nye software. Han bemærker, at fejlprocenten er reduceret med mere end en fjerdedel i forhold til tidligere software, der kan løfte samme opgave.
Hoveddrejning: DeepFace bruger en 3-D-model til at rotere ansigter virtuelt, så de vender mod kameraet. Billede (a) viser det originale billede, og (g) viser den endelige, korrigerede version.
Facebooks nye software, kendt som DeepFace, udfører det, forskere kalder ansigtsverificering (den genkender, at to billeder viser det samme ansigt), ikke ansigtsgenkendelse (at sætte et navn på et ansigt). Men nogle af de underliggende teknikker kunne anvendes på det problem, siger Taigman, og kan derfor forbedre Facebooks nøjagtighed til at foreslå, hvem brugere skal tagge i et nyligt uploadet billede.
DeepFace forbliver dog udelukkende et forskningsprojekt indtil videre. Facebook udgivet en forskningsartikel på projektet i sidste uge, og forskerne vil præsentere arbejdet på IEEE-konference om computersyn og mønstergenkendelse i juni. Vi udgiver vores resultater for at få feedback fra forskningsmiljøet, siger Taigman, der har udviklet DeepFace sammen med Facebook-kollegerne Ming Yang og Marc’Aurelio Ranzato og Tel Aviv Universitetsprofessor Lior Wolf.
DeepFace behandler billeder af ansigter i to trin. Først korrigerer den vinklen på et ansigt, så personen på billedet vender fremad, ved hjælp af en 3-D-model af et gennemsnitligt fremadrettet ansigt. Så kommer den dybe læring ind, da et simuleret neuralt netværk udarbejder en numerisk beskrivelse af det reorienterede ansigt. Hvis DeepFace kommer med lignende nok beskrivelser fra to forskellige billeder, beslutter det, at de skal vise det samme ansigt.
Ydeevnen af den endelige software blev testet i forhold til en standard datasæt som forskere bruger til at benchmarke ansigtsbehandlingssoftware, som også er blevet brugt til at måle, hvordan mennesker klarer sig ved at matche ansigter.
Neeraj Kumar , en forsker ved University of Washington, der har arbejdet med ansigtsverifikation og -genkendelse, siger, at Facebooks resultater viser, hvordan det at finde nok data til at føres ind i et stort neuralt netværk kan give mulighed for betydelige forbedringer i maskinlæringssoftware. Jeg vil vædde på, at en stor del af gevinsten her kommer fra, hvad deep learning generelt giver: at kunne udnytte enorme mængder eksterne data i en læringsmodel med meget højere kapacitet, siger han.
Den dybe læringsdel af DeepFace består af ni lag af simple simulerede neuroner med mere end 120 millioner forbindelser imellem dem. For at træne dette netværk har Facebooks forskere tappet et lille udsnit af data fra deres virksomheds skat af brugerbilleder - fire millioner billeder af ansigter tilhørende næsten 4.000 mennesker. Da de har adgang til masser af data af denne form, kan de med succes træne en højkapacitetsmodel, siger Kumar.