还好毕业早,成功躲避人脸识别点名| 内有福利

2018年10月11日 公司新闻 476 views

当老师开始用人脸识别进行点名的时候,就收收想开小差的心吧。日前一个“课堂呵护系统”的截图在网上得到热议。该系统利用大数据、深度学习等技术手段对课堂上的学生进行人像、行为等识别,以提高课堂学习效率。这不禁让人感叹老师为了学生的学习,可是下了大工夫。

图片来源:@大学新鲜事

其实,人脸识别的应用早已在我们生活中的很多场景中得以应用。比如兰州一高校食堂利用人脸识别技术使师生靠“刷脸”即可结算;峨眉山景区在9月20日将在检票时采用人脸识别技术,通过现场头像与身份证照片比对通过……

人脸识别技术被广泛应用的同时,它是如何形成并使用的呢?

人脸识别的诞生

作为整个人体最具表征意义的部位,人脸是表情的载体,几乎人类所有的情绪变化都可以通过脸部的细微变化传达出来,这又增加了人脸的丰富性和神秘性。

图片来源:Pixabay

人类很早就认识到,脸是识别一个人最主要的、最基本的、最便捷的途径。在计算机被发明后,人脸识别自然成了计算机图形学的一个重要课题;到了人工智能时代,它又成了机器视觉(或称计算机视觉)的一大热点。但无论是计算机图形学还是机器视觉,其基础都是照片。

最早开展人脸识别技术研究的是美国硅谷。1960 年,人工智能专家布莱索牵头在美国加州成立了全景实验室,他们接受了美国国防部的资助,开展人脸识别的研究。

布莱索提出了基于人脸几何特征的识别方法,这个方法奠定了后续20年研究的方向和基础。几何的方法就是精准测量面部各个器官的位置和大小,然后利用这些器官各自的大小、所处的位置、分布的距离、比率等几何关系来识别人脸。这个过程需要大量的手工辅助,先把瞳孔、眼角、美人尖、嘴角等重要的部位标注出来,确定它们的坐标之后,再计算嘴巴的宽度、眼睛的宽度、瞳孔与瞳孔的距离等数据,利用这些位置和距离的数据进行人脸的对比。

概括地说,早期的人脸识别只是利用计算机进行辅助,而非自动识别,早期的探索,也让所有参与研究的科学家意识到,人脸识别是一座难以攀登的高峰。虽然人脸的生理构造是一致的,都由眉、眼、鼻、嘴、双颊组成,各个部位的相似度也很高,但这几个部位组合起来,可以演绎出近乎无穷的变化。就像没有两片树叶是完全相同的那样,世界上也没有两张完全相同的人脸,人脸的差异性、多样性令人惊叹。

                                             图片来源:unsplash

人脸识别的操作难题

20 世纪60 年代的计算机科学家就已经清晰地认识到,人脸识别的核心是提取特征。如果有朝一日,计算机可以自动抓取人脸的特征,人脸识别的难题是否就可以迎刃而解?科学家开始把目光聚焦到工具创新,即人工智能的研究上。

人工智能的概念诞生之初,人类认为只要赋予机器逻辑和推理的能力,机器就能具备一定的智能,辅助或代替人类做出判断。美国计算机科学家费根鲍姆认为,机器要具备智能,就必须拥有大量的知识,而不仅仅是拥有推理能力。

然而,人类很快又发现了新的矛盾。所有的专家系统聚焦的都是专门知识,只能应用在一个专业领域,但人类的知识无穷无尽,还在不断更新,由计算机科学家来总结人类的知识,再把它们逐一教给计算机,这相当费时间,永远无法教完。

于是,一个异想天开的新问题突然冒了出来:机器能不能自己学习知识?如果能,又该如何实现?围绕机器能否学习这个问题的讨论及其所产生的分歧,最终使人工智能的圈子分化为两大清晰的阵营。一派是仿生派,他们认为,学习是人类大脑特有的功能,只有对大脑进行模拟,才能最终实现人工智能;另一派为数理派,他们认为,计算机没有必要模仿人脑,这就好像飞机看起来是模仿鸟类的翅膀,但两种“翅膀”的机理完全不一样,而且飞机飞得比鸟类还要快。

图片来源:unsplash

作为人工智能这个学科的创始人,麦卡锡是坚定的数理派。他提出,人工智能的方法必须以规则和逻辑为基础。仿生派的研究,起源于人类对大脑和神经系统的认识。20 世纪初,人类发现构成神经功能的基本单位是神经元。人类的大脑有上千亿个神经元,每个神经元都各有功能,它们彼此联系,共同处理信息。神经元的这个结构给了人类巨大的启发,人类开始模仿神经元,构造计算机的决策单元。接下来,神经网络成了机器学习最受关注和最具争议的方法。

所谓机器学习,是通过大量的数据,训练出一个可以自组织、自学习的数学模型,然后在更多的场景中利用这个模型预测其他场景下的结果。这个过程和人类的决策过程高度相似。

在这个过程中,计算机表现出来的不是比人聪明,而是比人能干。因为计算量太大,普通人同时考虑四五个自变量,大脑就不堪重负了。计算机却可以同时考虑成百上千甚至上万个变量,在很短时间内执行巨量的、复杂的计算,而人脑难以望其项背。

提高人脸识别率,让其应用于生活场景中

2006年,卡内基–梅隆大学的教授辛顿在《科学》杂志上发表了一篇文章,提出了深度网络的概念,并提出了深度学习这种方法。深度学习试图全面模仿人类神经网络的机理:每一个神经元既可以存储也可以计算,计算和存储都是分布式的,每一层的每一个神经元都接受上一层的输入,当一个神经元处理完一个信息之后,信息就会被传导到其他神经元,其传导关系是强是弱、中间如何转换,就是神经网络中需要通过学习确认的权重大小和函数关系。深度学习可以把人脸的每一个部位都分为多层,从抽象的点、线、面到具体的特征,从单个器官再到总体,各个特征不断叠加、验证,从而提高识别准确率。

深度学习的出现极大地提高了人脸识别的准确率,也极大地推动了人脸识别商业化应用的步伐。

2015 年 11 月,Facebook 推出了人脸识别功能,可以从上传的照片中识别出用户的好友。如果用户启用“魔 术照片”的功能,Facebook 便可查看他们的照片集,并分析最近的照片,如果发现能够识别到人脸,便会帮助用户把照片准 确地分享出去,其准确率达到98%;20 2017 年 9 月,苹果手机在手机上配置了人脸识别的工具,用户可以用人脸解锁屏幕,也可以用人脸 支付,据苹果公司称,其可靠性在 99% 以上。

当然,深度学习的进步,并不全是辛顿的功劳,除了其本身算法的不断优化,还有两点更为关键的外部因素:一是计算能力的大幅度 提升,和20 世纪60 年代相比,现在的计算能力增长了数百万倍;二是大数据的出现,因为有海量的训练数据,机器才可能自主学习,不断调整算法的参数和函数关系。

图片来源:unsplash

人们普遍认为,深度学习是近30 年来人工智能领域最具突破性的发明,它的进步让人类重新点燃了“强人工智能”的梦想,人类对人造智能又进入了一个新的憧憬阶段,人脑的生理结构在过去几万年甚至十几万年都没有太大的变化,但数据每年呈爆炸性增长,计算能力还在日新月异地跃进。截然不同的进化速度让越来越多的人开始相信,人脑不仅可以被模仿,而且可以被超越。

大数据先锋思想家涂子沛认为,所谓超越,是指超越人类大脑的局限性,即记得更多、算得更快,可以同时探索、分析更广阔的事实。它是人类脑力的扩展,而不是完全的超越和替代。人类无法创造出比自己更具智慧的客体,这应该成为人们看待人工智能的基点。

本文部分内容整理自《数文明:大数据如何重塑人类文明、商业形态和个人世界》,涂子沛著

欢迎来留言互动,就有机会赢得赠书。

10月15日下午16:00,我们会点进文章看结果。被精选的留言中,我们会按照“随机数生成器”生成的3个数字,对应找到3名幸运读者,每人将获得一本《数文明:大数据如何重塑人类文明、商业形态和个人世界》。

获奖名单将在10月16日的推送中公布

书名:《数文明:大数据如何重塑人类文明、商业形态和个人世界》

出版社:中信出版社

作者:涂子沛著

定价:88元

内容简介

从量数、据数、普适记录、人脸识别、以图搜车,到雾计算、城市大脑、单粒度治理、无匿名社会、量子思维……作为中国研究大数据的权威专家,作者在《数文明》一书中,以大数据为核心元素,抽丝剥茧,深入地阐述了这个大数据时代的文明社会——一个全新的数文明时代。

将大数据与人类文明融合在一起,这本书提供给我们的不仅是一种全新的叙事结构,它还将突破你的认知边界和思维极限,给你提供一个应对这个世界的全新的认知方法论。

《数文明》一书从三个层面鞭辟入里地描绘了互联网时代的一种全新文明形态:人类的数据文明——它将是互联网的下半场;商业世界的数据文明——商业世界将迎来重塑和再造;以及个人世界的数据文明——我们该如何从不完整的个体跨跃到高能个体。不论在哪个层面,数文明对人类的颠覆和重构都将是影响深远的。

可以说,《数文明》重构的不仅仅是我们的认知逻辑,还有身处这个数文明时代的生存逻辑——不仅包括每一个国家、每一种社会、每一家企业,还有每一个个体。

发表评论

发表评论:

PHONE