AI智能+人脸识别.pptx

AI智能+人脸识别 2 0 1 9 AI智能+人脸识别全文共24页，当前为第1页。 CONT ENTS 何为后人脸识别 人脸识别的市场机会 商业场景的探讨 AI智能+人脸识别全文共24页，当前为第2页。 1 PART 何为后人脸识别 从1：1到1：N的跨越 机器之眼 AI智能+人脸识别全文共24页，当前为第3页。 传统人脸识别各阶段及特征 90年代 2014 2016 有所突破 优化算法 结合应用 产品简单 应用单一 转折点 优化应用软件 结合场景 完善产品 用户体验 人脸识别技术 已经超过了人类水平 高速发展期 研究起步 有概念 有算法 无产品 无应用 2011 2015 元年 发展期 强化算法 应用成熟 企业用户 达成共识 图像分类，人的误差是 5%，技术现在最低的误 差已经到2%－3% 概念升级 应用多元 产品加速迭代 人工智能驱动更清晰 AI智能+人脸识别全文共24页，当前为第4页。 人工智能和人脸识别深度融合 AI驱动人脸识别的发展 人工智能（ Artificial Intelligence ），英文缩写为AI。广义上的人工智能实际上等同于机器智能，通俗的解释就是就是赋予机器以人的智慧，让机器像人一样学会思考。 机器学习 ( Machine Learning, ML ) 是人工智能的一个研究分支，主要是设计和分析一些让计算及自动获取知识的算法，涉及到概率论、统计学、逼近论等多个领域。 深度学习( Deep Learning, DL )又是机器学习的一个分支，可以理解为用计算机的算法模拟人类大脑的深度神经网络，然而对于神经网络我们还没有一个严格的定义，但其特点是试图模仿大脑的神经元之间传递，处理信息的模式。 人的大脑需要借助各种感官，如眼睛、耳朵等，感知外界信息，然后进行判断，这其中用机器来代替人眼来做测量跟判断的动作，称为机器视觉，机器视觉是人工智能学科中发展的最为快速的分支，而人脸识别技术就是机器视觉最富有挑战性的课题之一。 在深度学习诞生前，人脸识别研究人员试图不断改进、提高计算机识别人脸的能力，但相对人类本身所具有的人脸识别能力仍然望尘莫及。直到2012年，深度学习开始影响人脸识别技术的发展，基于深度卷积神经网络的方法在不断突破人工智能算法的世界纪录。 AI智能+人脸识别全文共24页，当前为第5页。 人工智能对精准识别算法的影响 通过人工智能---深度学习---算法刷新 算法其实目前依然处在高速发展期，非常典型的案例： 在200类物体的检测、识别这项任务，随便给一张照片进行内容辨识，识别什么样的物体在什么样的位置。这是一个完全不受控的算法问题，物体之间有相互遮挡，有形变，非常困难。 2013年，这项任务的平均精度只有22%。但是深度学习出现后，2014年Google就到了43%的精度，提升一倍。2015年，国内某公司的算法又高出了Google 7个点，半年后，微软的算法又提高了十几个点，而现在，最新的结果又提升了4个点。 这样快速的算法提升，在2011年往前，一年提升一到两个点已经很了不起了。 AI智能+人脸识别全文共24页，当前为第6页。 人工智能给人脸识别蜕变创造条件 后人脸识别就是要完美实现1：N 在实际应用场景中，我们通常会提到两个概念：即 1:1 和 1:N 静态比对1:1，你就是你。 1:N 的概念则是在 N 个人中找出你。这里的 N 是一个数据库，里面有无数张人脸信息，那么计算机要做的就是在无数的人脸中找到你是谁。1: N 具有动态比对和非配合的特点。所谓的动态也就是识别的不是照片，不是图片，而有可能是一个动态的视频流。 动态人脸识别和处理海量数据将是未来发展的趋势。 AI智能+人脸识别全文共24页，当前为第7页。 数据量：2000年至今互联网及移动互联网的高速发展使得数据实现了量的积累，据IDC预测，2020年全球的大数据总量将为40ZB，其中有七成将会以图片和视频的形式进行存储，这为人工智能的发展提供了丰厚的土壤。 深度学习算法：多伦多大学教授Geoffrey Hinton（致力于神经网络和深度学习研究）的学生在业内知名的图像识别比赛ImageNet中利用深度学习的算法将识别错误率一举降低了10%，甚至超过了谷歌，深度学习进而名声大噪。2015年，微软亚洲研究院视觉计算组在该项比赛中夺冠，将系统错误率降低至3.57%，已经超过了人眼。 高性能计算：GPU响应速度快、对能源需求低，可以平行处理大量琐碎信息，并在高速状态下分析海量数据，有效满足人工智能发展的需求。一次人脸识别算法的迭代训练，用CPU计算，可能要十几天乃至几十天才能完成，效率低、投入高，使得人工智能将创业公司阻隔在外；但是换成GPU后，可能就只需要几小时。 基础设施成本：云计算的普及和GPU的广泛使用，极大提升了运算效率，也在一定