摘要：計算機科學家和工程師們推出了“大集合臉圖挑戰(zhàn)，“世界第一的競爭旨在評估和提升百萬人規(guī)模的人臉識別算法性能”

大的臉圖集包含了1百萬張圖片，代表了超過690，000個不同的人。這是第一次在一百萬規(guī)模下測試面部識別算法。在最近幾年中，已經(jīng)有幾個團隊聲稱，他們的臉部識別算法系統(tǒng)的精準率已經(jīng)近乎完美。

但本次測試只會在一個僅有13，000張圖片的數(shù)據(jù)集上進行-比參加美國職業(yè)足球賽的平均人數(shù)還少。隨著這些人群增長到一個美國主要城市的規(guī)模，他們的表現(xiàn)將如何？

華盛頓大學的研究者回應了這個人臉挑戰(zhàn)問題。世界的第一個競爭，旨于在百萬人的數(shù)據(jù)規(guī)模下評估和提高人臉識別算法的性能。當面臨著更多的干擾時，所有的算法都面臨精準率的考核，但有些算法的表現(xiàn)比別其他的好得多。

“我們需要在星球的尺度上測試臉部識別，確保他能實際應用--在更大范圍進行測試，以便你發(fā)現(xiàn)識別算法的缺陷和優(yōu)點?！庇嬎銠C科學助理教授和UW項目的首席研究員 Ira Kemelmacher-Shlizerman說道。

“我們不能在一個很小的集合中測試，然后說他是完美的。”

UW團隊首先開發(fā)了一個有一百萬相冊圖片的數(shù)據(jù)集，圖片來自于全世界并且可公開提供創(chuàng)意共享許可證，代表著690572個獨特的個人。隨后他們考驗人臉識別團隊，讓他們下載數(shù)據(jù)庫然后觀察當必須區(qū)分有一百萬種可能性的匹配時他們算法的運行效率。

Google的臉部網(wǎng)絡(luò)在其中一項測試中展現(xiàn)出了非常高的性能，當面對更小的圖片集時，達到了近乎完美的精準度，在百萬人測試中精準度達到了75%。一個來自于俄羅斯N-TechLab的團隊在另一個測試中脫穎而出，降到73%。

相比之下，其他算法的精準率也很不錯--大概95%--在一個小規(guī)模內(nèi)下降了更大的百分比，當面臨著更艱巨的任務(wù)時精度低至33%。初步的結(jié)果，在計算機視覺與模式識別會議（CVPR 2016）6月30日的論文中被非常詳細的展現(xiàn)出，以及項目網(wǎng)站上更新正在進行的結(jié)果，超過300個研究小組正在努力攻克大規(guī)模的臉圖。

大規(guī)模的臉圖挑戰(zhàn)在查證方面測試了算法，或者說他們在正確的識別兩個照片是否是同一個人方面能表現(xiàn)的多好。這就是一個iPhone的安全功能如何運作，例如，能夠識別你的臉并且決定是否解鎖你的手機，而不是要你輸入密碼。

“如果你在阿姆斯特丹的火車站丟失了你的手機會發(fā)生什么？，或者有人想偷他呢？”共同領(lǐng)導UW圖像算法和成像實驗室的Kemelmacher-Shlizerman說道?！拔蚁敕浅５目隙ㄎ业氖謾C可以在一百萬甚至七百萬人中正常的識別出我，而不是在僅僅10，000或者更少”

他們同樣也在識別方面測試了算法，或者說他們能夠多精準的匹配一個單一個體的照片，從一百萬“分心”中找到同樣是這個人的不同照片。這正是在進行的，例如，當執(zhí)法部門有一個犯罪嫌疑人的照片，并通過在地鐵站臺或機場拍攝的照片，看看是否該人試圖逃跑。

“你可以看出這個問題的難點-從不同的年齡階段中識別出同一個人是無法解決的問題。因此從他們二重身識別出個人和匹配不同姿勢的個人就像側(cè)視圖到正視圖一樣。 ”Kemelmacher-Shlizerman說道。在評估規(guī)模時，文章同樣分析了在人臉識別時年齡和姿勢的不變性。

總體來說，“學習”在大規(guī)模圖片數(shù)據(jù)集中如何正確片匹配的算法勝了那些只獲得較小的訓練數(shù)據(jù)集的算法。除了中國研究團隊演算出的SIAT MMlab算法，在更小數(shù)量的圖片集上學習，逆流而，上通過比其他的算法做的更好。

大集合面部圖集挑戰(zhàn)仍然在進行并且不斷的收到結(jié)果。

團隊的下一步包括收集一半一百萬的個體--每一個都有一定數(shù)量的照片--為了一個將被用于臉部識別算法的數(shù)據(jù)集。這將有助平衡運行場地于并且測試給出相同數(shù)量的大規(guī)模訓練數(shù)據(jù)，那個的算法優(yōu)于其他人，當大多數(shù)研究者無法獲得和Google或者Facebook一樣大的圖片集時。該訓練集將被發(fā)布到夏季結(jié)束。

“最先進的深神經(jīng)網(wǎng)絡(luò)算法有數(shù)以百萬計的參數(shù)要學習并且要求有大量的例子來調(diào)整他們”Aaron Nech說道，華盛頓大學計算機科學與工程碩士的學生在為訓練數(shù)據(jù)集而努力。

“和人不一樣，這些模型最初是一個空白的石板。具有數(shù)據(jù)的多樣性 ，例如在超過500,000個不同個體發(fā)現(xiàn)的雜的身份線索，通過提供各種各樣現(xiàn)在未出現(xiàn)的樣本，能夠提高算法的性能”

Via ：https://www.sciencedaily.com

雷峰網(wǎng)原創(chuàng)文章，未經(jīng)授權(quán)禁止轉(zhuǎn)載。詳情見轉(zhuǎn)載須知。