211service.com
Facebook maakt software die bijna net zo goed bij gezichten past als jij
Op de vraag of twee onbekende foto's van gezichten dezelfde persoon tonen, heeft een mens het 97,53 procent van de tijd goed. Nieuwe software ontwikkeld door onderzoekers van Facebook kan 97,25 procent scoren op dezelfde uitdaging, ongeacht variaties in verlichting of dat de persoon op de foto rechtstreeks naar de camera kijkt.
Dat is een aanzienlijke vooruitgang ten opzichte van eerdere software voor het matchen van gezichten, en het demonstreert de kracht van een nieuwe benadering van kunstmatige intelligentie die bekend staat als deep learning, waar Facebook en zijn concurrenten het afgelopen jaar zwaar op hebben ingezet (zie Deep Learning). Dit gebied van AI omvat software die netwerken van gesimuleerde neuronen gebruikt om patronen in grote hoeveelheden gegevens te leren herkennen.
Normaal gesproken zie je dat soort verbeteringen niet, zegt Yaniv Taigman, lid van het AI-team van Facebook, een onderzoeksgroep die vorig jaar werd opgericht om te onderzoeken hoe deep learning het bedrijf zou kunnen helpen (zie Facebook lanceert geavanceerde AI-inspanningen). We benaderen human performance nauw, zegt Taigman over de nieuwe software. Hij merkt op dat het foutenpercentage met meer dan een kwart is gedaald ten opzichte van eerdere software die dezelfde taak op zich kan nemen.
Hoofd draaien: DeepFace gebruikt een 3D-model om gezichten virtueel te draaien, zodat ze naar de camera gericht zijn. Afbeelding (a) toont de originele afbeelding en (g) toont de definitieve, gecorrigeerde versie.
De nieuwe software van Facebook, bekend als DeepFace, voert wat onderzoekers gezichtsverificatie noemen (het herkent dat twee afbeeldingen hetzelfde gezicht tonen), geen gezichtsherkenning (een naam aan een gezicht geven). Maar sommige van de onderliggende technieken kunnen op dat probleem worden toegepast, zegt Taigman, en zouden daarom de nauwkeurigheid van Facebook kunnen verbeteren bij het suggereren wie gebruikers moeten taggen in een nieuw geüploade foto.
DeepFace blijft voorlopig echter puur een onderzoeksproject. Facebook een onderzoekspaper uitgebracht over het project vorige week, en de onderzoekers zullen het werk presenteren op de IEEE-conferentie over computervisie en patroonherkenning in juni. We publiceren onze resultaten om feedback te krijgen van de onderzoeksgemeenschap, zegt Taigman, die DeepFace ontwikkelde samen met Facebook-collega's Ming Yang en Marc'Aurelio Ranzato en professor Lior Wolf aan de Universiteit van Tel Aviv.
DeepFace verwerkt afbeeldingen van gezichten in twee stappen. Eerst corrigeert het de hoek van een gezicht zodat de persoon op de foto naar voren kijkt, met behulp van een 3D-model van een gemiddeld vooruitkijkend gezicht. Dan komt het diepe leren binnen als een gesimuleerd neuraal netwerk een numerieke beschrijving van het geheroriënteerde gezicht uitwerkt. Als DeepFace met voldoende vergelijkbare beschrijvingen komt van twee verschillende afbeeldingen, besluit het dat ze hetzelfde gezicht moeten tonen.
De prestaties van de uiteindelijke software zijn getest tegen a standaard dataset die onderzoekers gebruiken om gezichtsverwerkingssoftware te benchmarken, die ook is gebruikt om te meten hoe mensen het doen bij het matchen van gezichten.
Neeraj Kumar , een onderzoeker aan de Universiteit van Washington die heeft gewerkt aan gezichtsverificatie en -herkenning, zegt dat de resultaten van Facebook laten zien hoe het vinden van voldoende gegevens om in een groot neuraal netwerk te worden ingevoerd, aanzienlijke verbeteringen in machine learning-software kan veroorzaken. Ik durf te wedden dat veel van de winst hier komt van wat deep learning in het algemeen biedt: enorme hoeveelheden externe gegevens kunnen gebruiken in een leermodel met veel hogere capaciteit, zegt hij.
Het deep-learninggedeelte van DeepFace bestaat uit negen lagen van eenvoudige gesimuleerde neuronen, met meer dan 120 miljoen verbindingen ertussen. Om dat netwerk te trainen, hebben de onderzoekers van Facebook een klein stukje gegevens afgetapt uit de schat aan gebruikersafbeeldingen van hun bedrijf: vier miljoen foto's van gezichten van bijna 4.000 mensen. Omdat ze toegang hebben tot veel gegevens van dit formulier, kunnen ze met succes een model met hoge capaciteit trainen, zegt Kumar.