какую технологию ml можно использовать для определения и отслеживания отдельных людей

Нейронные сети для трекинга рук в режиме реального времени

Недавно исследователи из GoogleAI показали свой поход к задаче трекинга руки и определения жестов в реальном времени. Я занимался подобной задачей и потому решил разобраться с тем как они подошли к решению, какие технологии они использовали, и как добились хорошей точности при риал тайм работе на мобильном устройстве. Также запустил модель на android и протестировал в реальных условиях.

Почему это важно?

Распознавание рук является достаточно нетривиальной задачей, которая в то же время широко востребована. Эту технологию можно использовать в приложениях дополнительной реальности для взаимодействия с виртуальными объектами. Также это может быть основой для понимания языка жестов или для создания интерфейсов управления с помощью жестов

В чем сложность?

Естественное восприятие рук в реальном времени является реальным вызовом для компьютерного зрения, руки часто перекрывают себя или друг друга (перекрещивание пальцев или рукопожатие). В то время как лица имеют высококонтрастные узоры, например, в области глаз и рта, отсутствие таких признаков в руках затрудняет надежное обнаружение только по их визуальным признакам.

Руки постоянно находятся в движении, меняют углы наклона и перекрывают друг друга. Для приемлемого пользовательского опыта нужно чтобы распознавание работало с высоким FPS(25+). К тому же все это должно работать на мобильных устройствах, что добавляет к требованиям по скорости, также ограничения по ресурсам.

Что сделали в GoogleAI?

Они реализовали технологию точного отслеживания рук и пальцев с помощью машинного обучения (ML). Программа определяет 21 ключевую точку руки в 3D пространстве (высоту, длину и глубину) и на основание этих данных классифицирует жесты которые показывает рука. Все это на основание всего одного фрейма видео, работает в реальном времени на мобильных устройствах и масштабируется на несколько рук.

Как они это сделали?

Решение состоит из 3 основных моделей работающих вместe:

Детектор ладони (BlazePalm)

Детектор ладони

Также использовался экстрактор фич Feature Pyramid Networks for Object Detection (FPN) для лучшего понимания контекста изображения даже для небольших объектов

В качестве loss функции был взят focal loss который хорошо справляется с дисбалансом классов возникающего при генерации большого количества анкоров.

Подробнее про Focall loss можно почитать в отличном пейпере от Facebook AI Research (рекомендовано к прочтению)

Определение ключевых точек

Для тренировки было вручную размечено 30 000 реальных изображений. Также была сделана реалистичная 3D модель руки с помощью которой сгенерировали еще искусственных примеров на разных фонах.

Вверху: реальные изображения рук с размеченными ключевыми точками. Внизу: искусственные изображения руки сделанные с помощью 3D модели

Распознавание жестов

Для распознавания жестов был использован простой алгоритм, который по ключевым точкам руки определяет состояние каждого пальца (например изогнутый или прямой). Затем все эти состояния сопоставляются с имеющимся набором жестов. Этот простой, но эффективный метод позволяет распознавать базовые жесты с неплохим качеством.

Оптимизации

Основной секрет быстрого инференса в реальном времени скрывается в одной важной оптимизации. Детектор ладони, который занимает больше всего времени, запускается только при необходимости (довольно редко). Это достигается путем вычисления положения руки на следующем кадре базируясь на предыдущих ключевых точках руки.

Тест в реальных условиях

Я запустил это решение на android девайсе (Xiaomi Redmi Note 5) для теста в реальных условиях. Модель ведет себя хорошо, правильно мапит скелет руки и высчитывает глубину при приличном количестве кадров в секунду.

Также случаются некоторые проблемы когда рука пересекается с лицом или подобными сложными фонами. В остальном отличная работа от GoogleAI, это большой вклад в будущее развитие технологии.

Источник

Отслеживание экспериментов ML с использованием MLflow

Дата публикации Jul 13, 2019

Введение

Если вы знакомы с созданием моделей машинного обучения, будь то на работе или в качестве хобби; вы, вероятно, сталкивались с ситуацией, когда вы создали тонны разных моделей, с разными базами кода, тоннами графиков, записных книжек и метрик, которые необходимо отслеживать при оптимизации кода и настройке модели для продвижения вверх. эта лестница точности.

Я думаю, что за эти годы, когда я практиковал науку о данных, я сталкивался с множеством способов, с помощью которых люди склонны решать эту проблему. Мой метод перехода обычно был бы листом Excel. Его легко использовать, легко визуализировать и легко передать внешним лицам.

Все становится немного сложнее, когда несколько человек работают над одной и той же проблемой машинного обучения. Некоторые основные правила должны быть установлены до выполнения проекта, иначе отслеживание станет громоздким. Зрелые команды искусственного интеллекта, скорее всего, решили бы эту проблему, но я полагаю, что у стартапов на ранних этапах возникнут проблемы с координацией (если они могут позволить себе иметь нескольких ученых, работающих над одним и тем же).

Это такая большая проблема, что она породила несколько компаний, посвятивших себя решению именно этой проблемы. Некоторые из тех, о которых я знаю:

Для краткости я не буду рассказывать о том, какие функции у них есть на самом деле, как они работают, а также о своих моделях ценообразования. Некоторые фокусируются больше на экспериментах на основе глубокого обучения, в то время как другие охватывают более широкий диапазон. Пункт, который я пытаюсь подчеркнуть, заключается в том, что проблема достаточно велика, чтобы люди на самом деле платили другим людям за какое-то решение.

Следует упомянуть TensorBoard, но он явно сделан для Tensorflow и глубокого обучения (Я не являюсь активным пользователем TensorBoard, не стесняйтесь поделиться со мной тем, что вы знаете в разделе комментариев, на благо всех).

MLflow

Другим вариантом будет MLflow. Запущенный Databricks, это в основномплатформа с открытым исходным кодом для всего жизненного цикла машинного обучения(дословно взято с их сайта).

Моя среда MLflow

Для пользователей без Databricks MLflow может быть настроен отдельно и подключен к вашей среде. Такая же функциональность должна существовать. Оформить заказдокументацияБольше подробностей.

Эксперимент

Примечание: я только недавно начал использовать MLflow, поэтому весьма вероятно, что я упущу некоторые вещи.

Чтобы начать эксперимент с MLflow, сначала нужно использовать mlflow.set_experiment команда, затем путь к файлу эксперимента.

Затем вы можете начать думать о том, что вы хотите отслеживать в своем анализе / эксперименте. MLflow подразделяет их на 3 основных категории:

Отслеживание MLflow организовано вокруг концепцииработает, которые являются выполнением некоторого фрагмента кода науки[4], (двигаясь вперед, мы обозначим эту концепцию бега, используя курсивrun`)

Другие вещи, которые можно отслеживать на каждомбег— версия кода, время начала и окончания, а также исходный файл. Обратитесь кдокументациядля более подробной информации об этом.

Параметры отслеживания и метрики

В ячейке 37 записной книжки автор пытается итеративно исследовать различные комбинации параметров, чтобы наилучшим образом соответствовать модели ARIMA нашим данным. Давайте используем этот раздел кода и отслеживаем используемые параметры и генерируемые метрики.

Чтобы начать нашбег, мы используем mlflow.start_run(). Затем мы регистрируем qs а также ps параметры и model.aic метрика для MLFlow.БегПриведенный выше код даст следующий результат в пользовательском интерфейсе MLFLow.

Если мы хотим нажать на один из тех,бегмы попадем в следующее окно.

Прогоны совершены для Git

Последнее, что я нахожу действительно полезным, так как на самом деле фиксируетбегв Git. В настоящее время я не уверен, как это переводится в версию MLflow с самостоятельной настройкой, но в моем случае щелчок по ссылке на источник вернул бы меня к верной версии записной книжки в Databricks (ниже).

Теперь давайте попробуем что-нибудь еще.

Хранение графиков и других файлов

Следуя предыдущему примеру, мы создали несколько моделей, чтобы определить наилучшие параметры, которые мы должны использовать для нашей модели ARIMA. В нашем следующем примере мы собираемся сохранить несколько артефактов, связанных с моделью; а именно краткое изложение модели и некоторые сюжеты.

Давайте сделаем это для нашей модели SARIMAX.

Как видно из приведенного выше кода, регистрация артефактов требует немного больше работы, чем обычно. Вместо возможности непосредственного сохранения графиков в MLflow, файл сначала должен быть сохранен где-то первым, прежде чем он может быть отправлен в корзину S3 MLflow.

В моем случае файлы сначала сохраняются в локальном кластере Databricks, а затем копируются в корзину S3 MLflow (которая в данном случае также находится внутри Databricks. В качестве альтернативы можно также определить внешнюю корзину S3 для каждого эксперимента и сохранить все связанные файлы. там.)

Для справки ниже показано, как хранящиеся артефакты отображаются в пользовательском интерфейсе.

Для меня это довольно упрощает и стандартизирует сбор графиков и сводок, которые обычно хранятся в блокноте. Несмотря на то, что они существуют в блокноте, это нормально, тот факт, что блокноты можно запускать по ячейкам, а не выполнять их полностью сверху вниз, означает, что на самом деле определенные графики могут быть созданы в результате операции, которая происходит значительно позже ( или тот, который мог быть полностью удален во время разработки). Поскольку графики, хранящиеся в MLflow, привязаны к фиксированному коду в Git, у нас теперь есть гораздо лучший способ обеспечить, чтобы эксперименты и их результаты документировались воспроизводимым образом.

Сохранение модели

MLflow также позволяет сохранить обучаемую модель. Это можно сделать, либо войдя в систему как артефакт в MLflow (через log_model() ) или напрямую в локальную файловую систему (через save_model ).

Backtesting

В приведенном выше примере мы устанавливаем временное окно в 3 месяца и оцениваем среднеквадратическую оценку модели за период времени в 10 скользящих окон, где каждое движение вперед составляет 1 месяц. При каждой оценке мы также записываем график сравнения в MLflow для дальнейшего использования и проверки.

Погружаясь в метрики RMSE, мы можем видеть, как он работал во времени, когда он скользил по временному горизонту за 10 временных шагов. Мы можем видеть, что модель в целом стабильна в течение некоторого времени до пиков на 5-й итерации. Это вполне ожидаемо, если мы вернемся к тому, насколько волатильна цена Биткойна на приведенной выше диаграмме.

Резюме

MLflow является одним из многих инструментов, которые можно использовать для достижения этой цели. В этой статье я осветил некоторые из его особенностей, используя несколько примеров того, как его можно использовать для помощи специалистам по науке в повседневной рутинной работе.

В краткосрочной перспективе наличие хорошо управляемых результатов помогает в групповом общении и совместной работе, что особенно важно для удаленных команд.

В конечном счете, правильное управление деятельностью по моделированию и ее результатами имеет большое значение для сохранения усвоенных знаний и результатов, сокращения ошибок и обеспечения того, что прошлые исследования и результаты могут быть воспроизведены другими командами или их заменами.

Код, используемый в этом посте, доступен в моем githubВот,

Источник

Как трекать людей в масках или универсальный подход к трекингу объектов произвольной природы

Введение

С тех пор, как нейронные сети начали набирать популярность, большинство инженеров стали решать многие из задач ПО в области Public Safety методами deep learning. Несмотря на то что у нейросетей нет конкурентов в вопросах обнаружения (detection) и распознавания (identification) объектов, всё же они не могут похвастаться способностью анализировать и рассуждать, а лишь создают закономерности, которые не всегда можно понять или интерпретировать.

Мы придерживаемся такого мнения: для трекинга нескольких объектов более эффективными будут интерпретируемые и предсказуемые подходы, такие как, например, метод вероятностной ассоциации данных (probabilistic data association approach).

О точности трекинга и преимуществах выбранного нами подхода наглядно (подробнее в посте):

Сравнение популярного трекера Re3 (слева) и нашего компонента AcurusTrack (справа)

Дисклеймер: этот пост не претендует на почетный статус “средства от всех бед в Public Safety Software”. Мы также не заявляем, что изобрели что-либо новое. Мы лишь приводим примеры некоторых популярных подходов к решению задачи мультитрекинга, анализируем их и предлагаем собственную практическую реализацию.

О задаче трекинга

В области Public Safety важно знать, где и какие объекты находятся в каждый момент исследуемого видео. Классические алгоритмы распознавания не всегда могут обеспечить нас необходимой информацией (в силу плохих условий съемки, недостаточной освещенности, отсутствия объекта идентификации и т.п.). Классические же алгоритмы трекинга и даже трекеры, основанные на нейронных сетях, не справляются с задачей.

Основными сложностями, с которым сталкиваются алгоритмы трекинга, являются окклюзии (трекер легко может «соскочить» на другой объект во время окклюзии или же сбиться), изменение масштаба, поворот объекта, изменение уровня освещения, размытость и т.д.

Классические подходы

Большинство имеющихся алгоритмов трекинга рассматривает задачу трекинга единственного объекта на видео, снятом статической камерой. В случае трекинга сразу нескольких объектов на видео, снятом движущейся камерой, появляются дополнительные трудности.

Существует множество алгоритмов трекинга, таких как:

Подробное сравнение корреляционных подходов и трекера, основанного на рекуррентных нейронных сетях, вы можете найти в этой статье.

Тем не менее, все вышеперечисленные трекеры (кроме нейросетевых) практически не справляются с масштабированием, окклюзиями, поворотом объектов. А даже если справляются — не всегда показывают удовлетворительные результаты. Алгоритмы на основе нейронных сетей, в основном, решают задачу отслеживания отдельного объекта, не уделяя внимания взаимодействию объектов и другим возможным вариантам.

Постановка задачи

Источник

Создание модели распознавания лиц с использованием глубокого обучения на языке Python

Переводчик Елена Борноволокова специально для Нетологии адаптировала статью Файзана Шайха о том, как создать модель распознавания лиц и в каких сферах ее можно применять.

Введение

За последние годы компьютерное зрение набрало популярность и выделилось в отдельное направление. Разработчики создают новые приложения, которыми пользуются по всему миру.
В этом направлении меня привлекает концепция открытого исходного кода. Даже технологические гиганты готовы делиться новыми открытиями и инновациями со всеми, чтобы технологии не оставались привилегией богатых.

Одна из таких технологий — распознавание лиц. При правильном и этичном использовании эта технология может применяться во многих сферах жизни.

В этой статье я покажу вам, как создать эффективный алгоритм распознавания лиц, используя инструменты с открытым исходным кодом. Прежде чем перейти к этой информации, хочу, чтобы вы подготовились и испытали вдохновение, посмотрев это видео:

Распознавание лиц: потенциальные сферы применения

Приведу несколько потенциальных сфер применения технологии распознавания лиц.

Распознавание лиц в соцсетях. Facebook заменил присвоение тегов изображениям вручную на автоматически генерируемые предложения тегов для каждого изображения, загружаемого на платформу. Facebook использует простой алгоритм распознавания лиц для анализа пикселей на изображении и сравнения его с соответствующими пользователями.

Распознавание лиц в сфере безопасности. Простой пример использования технологии распознавания лиц для защиты личных данных — разблокировка смартфона «по лицу». Такую технологию можно внедрить и в пропускную систему: человек смотрит в камеру, а она определяет разрешить ему войти или нет.

Распознавание лиц для подсчета количества людей. Технологию распознавания лиц можно использовать при подсчете количества людей, посещающих какое-либо мероприятие (например, конференцию или концерт). Вместо того чтобы вручную подсчитывать участников, мы устанавливаем камеру, которая может захватывать изображения лиц участников и выдавать общее количество посетителей. Это поможет автоматизировать процесс и сэкономить время.

Настройка системы: требования к аппаратному и программному обеспечению

Рассмотрим, как мы можем использовать технологию распознавания лиц, обратившись к доступным нам инструментам с открытым исходным кодом.

Я использовал следующие инструменты, которые рекомендую вам:

Шаг 1: Настройка аппаратного обеспечения

Проверьте, правильно ли настроена камера. С Ubuntu это сделать просто: посмотрите, опознано ли устройство операционной системой. Для этого выполните следующие шаги:

Шаг 2: Настройка программного обеспечения

Шаг 2.1: Установка Python

Код, указанный в данной статье, написан с использованием Python (версия 3.5). Для установки Python рекомендую использовать Anaconda – популярный дистрибутив Python для обработки и анализа данных.

Шаг 2.2: Установка OpenCV

OpenCV – библиотека с открытым кодом, которая предназначена для создания приложений компьютерного зрения. Установка OpenCV производится с помощью pip :

Шаг 2.3: Установите face_recognition API

Внедрение

После настройки системы переходим к внедрению. Для начала, мы создадим программу, а затем объясним, что сделали.

Пошаговое руководство

Создайте файл face_detector.py и затем скопируйте приведенный ниже код:

Затем запустите этот файл Python, напечатав:

Если все работает правильно, откроется новое окно с запущенным режимом распознавания лиц в реальном времени.

Подведем итоги и объясним, что сделал наш код:

Пример применения технологии распознавания лиц

На этом все самое интересное не заканчивается. Мы сделаем еще одну классную вещь: создадим полноценный пример применения на основе кода, приведенного выше. Внесем небольшие изменения в код, и все будет готово.

Предположим, что вы хотите создать автоматизированную систему с использованием видеокамеры для отслеживания, где спикер находится в данный момент времени. В зависимости от его положения, система поворачивает камеру так, что спикер всегда остается в центре кадра.
Первый шаг — создайте систему, которая идентифицирует человека или людей на видео и фокусируется на местонахождении спикера.

Разберем, как это сделать. В качестве примера я выбрал видео на YouTube с выступлением спикеров конференции «DataHack Summit 2017».

Сначала импортируем необходимые библиотеки:

Затем считываем видео и устанавливаем длину:

После этого создаем файл вывода с необходимым разрешением и скоростью передачи кадров, аналогичной той, что была в файле ввода.

Загружаем изображение спикера в качестве образца для распознания его на видео:

Закончив, запускаем цикл, который будет:

Источник

Что такое распознавание лиц – определение и описание

Что такое распознавание лиц?

Распознавание лиц – это способ идентификации или подтверждения личности человека по его лицу. Систему распознавания лиц можно использовать для идентификации людей на фотографиях, видео или в режиме реального времени.

Распознавание лиц – это категория биометрических систем аутентификации. Другие виды биометрических систем аутентификации включают распознавание голоса, распознавание отпечатков пальцев и распознавание сетчатки или радужной оболочки глаза. Эти технологии в основном используются для обеспечения безопасности и соблюдения правопорядка, однако наблюдается рост интереса к другим областям использования.

Как работает распознавание лиц?

Многим знакома технология распознавания лиц FaceID, используемая для разблокировки iPhone (это только один из примеров применения технологи распознавания лиц). Как правило, технология распознавания лиц не использует огромную базу данных фотографий для определения личности человека. Она идентифицирует и распознает одного человека как единственного владельца устройства и ограничивает доступ для других людей.

В общем случае, технология распознавания лиц работает путем сопоставления лиц людей, проходящих мимо специальных камер, с изображениями людей в списке наблюдения. Списки наблюдения могут содержать фотографии кого угодно, в том числе людей, которые не подозреваются в каких-либо правонарушениях. Изображения могут поступать из любых источников, даже из учетных записей в социальных сетях. Существуют различные технологии распознавания лиц, но в целом они работают следующим образом:

Шаг 1. Обнаружение лица

Камера обнаруживает и фиксирует положение изображения лица, как одного, так и в толпе. На изображении может быть человек, смотрящий в анфас или в профиль.

Шаг 2. Анализ лица

Затем выполняется снимок и проводится анализ изображения лица. Большинство технологий распознавания лиц используют 2D, а не 3D-изображения, поскольку 2D-изображения удобнее сопоставлять с общедоступными фотографиями или фотографиями в базе данных. Программа считывает геометрию лица. Ключевые факторы включают расстояние между глазами, глубину глазниц, расстояние от лба до подбородка, форму скул и контуры губ, ушей и подбородка. Цель состоит в том, чтобы определить черты, отличающие данное конкретное лицо.

Шаг 3. Преобразование изображения в данные

В процессе анализа аналоговая информация (лицо) преобразуется в набор цифровой информации (данных) на основе черт лица человека. По сути, анализ лица представляет собой математическую формулу. Цифровой код называется «отпечатком лица». У каждого человека есть свой уникальный отпечаток лица, так же как и отпечатки пальцев.

Шаг 4. Поиск совпадения

Затем отпечаток лица сравнивается с данными в базе известных лиц. Например, у ФБР есть доступ к 650 миллионам фотографий, взятых из баз данных различных государств. В Facebook все фотографии, на которых отмечены люди, становятся частью базы данных Facebook, которая также может использоваться для распознавания лиц. Если отпечаток лица совпадает с изображением в базе данных для распознавания лиц, устанавливается, чье это лицо.

Из всех биометрических систем идентификации распознавание лиц считается наиболее естественным. Это интуитивно понятно, поскольку мы обычно узнаем себя и других по лицам, а не по отпечаткам пальцев и радужной оболочке глаз. По оценкам, более половины населения мира регулярно сталкивается с технологиями распознавания лиц.

Где используется распознавание лиц?

Технология распознавания лиц используется для самых разных целей. К ним относятся:

Разблокировка телефонов

Различные телефоны, включая последние модели iPhone, используют технологию распознавания лиц для разблокировки устройств. Эта технология обеспечивает мощный способ защиты личных данных и гарантирует недоступность конфиденциальных данных в случае кражи телефона. Apple утверждает, что шанс разблокировки телефона случайным лицом составляет примерно один из миллиона.

Соблюдение правопорядка

Технология распознавания лиц используется правоохранительными органами. Согласно отчету NBC, использование этой технологии распространено в правоохранительных органах США и других стран. Полиция собирает фотографии задержанных и сравнивает их с местными, государственными и федеральными базами данных распознавания лиц. Фотографии задержанных добавляются в базы данных, по которым впоследствии полиция выполняет поиск преступников.

Кроме того, мобильное распознавание лиц позволяет полицейским использовать смартфоны, планшеты и другие портативные устройства, чтобы фотографировать водителей и пешеходов на месте и сразу же сравнивать их фотографии с базами данных распознавания лиц, чтобы попытаться их идентифицировать.

Аэропорты и пограничный контроль

Распознавание лиц стало привычным явлением во многих аэропортах по всему миру. Все больше путешественников имеют биометрические паспорта. Это позволяют им не стоять в длинных очередях, а проходить автоматизированный контроль электронных паспортов и быстрее добираться до выхода на посадку. Распознавание лиц не только сокращает время ожидания, но и позволяет повысить безопасность в аэропортах. Министерство внутренней безопасности США прогнозирует, что к 2023 году распознавание лиц будет использоваться для 97% путешественников. Эта технология используется не только в аэропортах и на пограничном контроле, но и для повышения безопасности на крупных мероприятиях, таких как Олимпийские игры.

Поиск пропавших без вести

Распознавание лиц можно использовать для поиска пропавших без вести и жертв торговли людьми. Предположим, пропавшие люди добавлены в базу данных распознавания лиц. В этом случае правоохранительные органы могут получить уведомление, как только эти люди будут идентифицированы системой распознавания лиц в аэропорту, магазине или другом общественном месте.

Снижение уровня преступности в розничной торговле

Распознавание лиц используется для идентификации покупателей, ворующих товары, организованных преступников в сфере розничной торговли или людей, попадавшихся в прошлом на мошенничестве, при входе в магазин. Фотографии людей сопоставляются с крупными базами данных преступников, и, когда покупатели, представляющие потенциальную угрозу, входят в магазин, сотрудники службы предотвращения потерь и обеспечения безопасности розничной торговли получают уведомление.

Улучшение качества розничной торговли

Технология распознавания лиц предлагает возможности улучшения качества обслуживания клиентов в розничной торговле. Например, терминалы в торговых центрах могут распознавать покупателей, предлагать товары на основе их истории покупок и указывать им правильное направление. Технология Face Pay позволит покупателям избегать длинных очередей в кассы с более медленными способами оплаты.

Банки

Биометрический онлайн-банкинг – еще одно преимущество технологии распознавания лиц. Вместо использования одноразовых паролей станет возможно авторизовать транзакции, глядя на смартфон или компьютер. Благодаря технологии распознаванию лиц злоумышленники не смогут взламывать пароли. Если злоумышленники украдут базу данных фотографий, «оценка витальности» – метод, используемый для определения, является ли источник биометрического образца живым человеком или поддельным изображением – должна (теоретически) помешать им использовать фотографии из базы для имитации живого человека. Благодаря технологии распознавания лиц дебетовые карты и подписи могут уйти в прошлое.

Маркетинг и реклама

Маркетологи используют распознавание лиц для повышения качества обслуживания клиентов. Например, бренд замороженной пиццы DiGiorno использовал распознавание лиц в маркетинговой кампании 2017 года, в ходе которой проводился анализ выражений лиц на вечеринках, посвященных DiGiorno, и оценивалась эмоциональная реакция людей на пиццу. Медиа-компании также используют технологию распознавания лиц для проверки реакции аудитории на трейлеры к фильмам, персонажей пилотных серий телевизионных проектов и оптимального размещения рекламы на телевидении. Рекламные щиты с технологией распознавания лиц, такие как на площади Пикадилли в Лондоне, позволяют брендам запускать персонализированную рекламу.

Здравоохранение

Больницы используют распознавание лиц для оказания помощи пациентам. Медицинские организации тестируют использование технологии распознавания лиц для доступа к картам пациентов, упрощения регистрации пациентов, выявления эмоций и боли у пациентов и даже для выявления определенных генетических заболеваний. Компания AiCure разработала приложение, использующее технологию распознавания лиц, чтобы пациенты принимали лекарства в соответствии с предписаниями. По мере того, как биометрические технологии становятся менее дорогими, ожидается рост их внедрения в секторе здравоохранения.

Отслеживание посещаемости студентами или работниками

Некоторые учебные заведения Китая используют технологию распознавания лиц, чтобы учащиеся не пропускали занятия. Для сканирования лиц учащихся и сопоставления их с фотографиями в базе данных для подтверждения личности используются специальные планшеты. В более широком смысле эту технологию можно использовать для регистрации работников на рабочих местах, чтобы работодатели могли отслеживать посещаемость.

Распознавание водителей

Согласно потребительским отчетам, автомобильные компании экспериментируют с технологией распознавания лиц, чтобы заменить ключи от машины. Эта технология заменит ключ для открытия и запуска автомобиля. Она также запоминает предпочтения водителей относительно положения сиденья и зеркал, а также настроек радиостанций.

Отслеживание игровой зависимости

Распознавание лиц может помочь игорным компаниям в большей степени защитить своих клиентов. Наблюдать за теми, кто входит в игровые залы и перемещается по ним, сложно для персонала, особенно в больших людных местах, таких как казино. Технология распознавания лиц позволяет игорным компаниям идентифицировать клиентов, являющихся заядлыми игроманами, и вести учет их игры, чтобы сотрудники могли посоветовать, когда пора остановиться. Казино могут столкнуться с серьезными штрафами, если игроки из списков добровольного исключения будут уличены в азартных играх.

Примеры технологии распознавания лиц

Компании-разработчики технологий распознавания лиц включают:

Преимущества технологии распознавания лиц

Помимо разблокировки смартфона, распознавание лиц дает и другие преимущества:

Повышение безопасности

На государственном уровне распознавание лиц может помочь идентифицировать террористов или других преступников. На личном уровне распознавание лиц можно использовать как инструмент безопасности для блокировки устройств и в личных камерах видеонаблюдения.

Снижение уровня преступности

Распознавание лиц упрощает поиск грабителей, воров и правонарушителей. Одно только знание о присутствии системы распознавания лиц может служить сдерживающим фактором, особенно в отношении мелких преступлений. Помимо физической безопасности, имеются преимущества и в сфере кибербезопасности. Компании могут использовать технологию распознавания лиц вместо паролей для доступа к компьютерам. Теоретически эту технологию невозможно взломать, поскольку красть или менять, как в случае с паролем, нечего.

Устранение предвзятости при остановке и обысках

Обеспокоенность общественности по поводу необоснованных остановок и обысков является источником разногласий в полиции. Технология распознавания лиц может улучшить этот процесс. Выявление подозрительных личностей в толпе с помощью автоматизированного, а не управляемого человеком процесса, такого как технология распознавания лиц, может снизить потенциальную предвзятость и сократить количество остановок и обысков законопослушных граждан.

Удобство

По мере распространения технологии распознавания лиц, покупатели смогут расплачиваться в магазинах, используя собственное лицо, и не вынимать кредитные карты или наличные деньги. Это позволит сэкономить время в очереди к кассе. Поскольку для распознавания лиц не требуется никакого контакта, как при снятии отпечатков пальцев или выполнении других мер безопасности, эта технология особенно полезна во время эпидемии COVID. Распознавание лиц обеспечивает быструю, автоматическую и беспроблемную проверку.

Быстрая обработка

Процесс распознавания лица занимает всего секунду, что дает преимущества компаниям, использующим технологию распознавания лиц. В эпоху кибератак и продвинутых инструментов взлома компаниям нужны безопасные быстрые технологии. Распознавание лиц позволяет быстро и эффективно проверить личность человека.

Интеграция с другими технологиями

Большинство решений для распознавания лиц совместимы с программами обеспечения безопасности. Фактически, эта технология легко интегрируется. Это снижает объем дополнительных инвестиций, необходимых для ее внедрения.

Недостатки технологии распознавания лиц

Некоторые люди не возражают, когда их снимают, и не имеют ничего против использования распознавания лиц там, где от этого есть явная выгода или необходимость. Однако использование этой технологии может вызвать бурную реакцию у других людей. Некоторые из недостатков или проблем распознавания лиц:

Тотальная слежка

Некоторые опасаются, что использование технологии распознавания лиц, повсеместные видеокамеры, искусственный интеллект и анализ данных создадут предпосылки для массового наблюдения и могут ограничить свободу личности. Хотя технология распознавания лиц позволяет правительствам выслеживать преступников, она также может позволить им выслеживать обычных законопослушных людей.

Возможные ошибки

Результат распознавания лиц не исключает ошибок, а это может привести к обвинению людей в преступлениях, которых они не совершали. Например, к ошибке может привести небольшое изменение ракурса камеры или изменение внешнего вида, например прически. В 2018 году издание Newsweek сообщило, что технология распознавания лиц Amazon ложно идентифицировала 28 членов Конгресса США как лиц, арестованных за преступления.

Нарушение конфиденциальности

Вопрос этики и конфиденциальности – самый спорный. Известно, что правительства хранят фотографии граждан без их согласия. В 2020 году Европейская комиссия заявила, что рассматривает вопрос запрета использования технологии распознавания лиц в общественных местах на срок до пяти лет, чтобы дать время на разработку нормативной базы для предотвращения нарушений конфиденциальности и этических норм.

Огромное хранилище данных

Программное обеспечение для распознавания лиц основано на технологии машинного обучения, требующей огромных наборов данных для обучения и получения точных результатов. Такие огромные наборы данных требуют надежного хранилища. Малые и средние компании могут не располагать достаточными ресурсами для хранения необходимых данных.

Безопасность распознавания лиц: как защититься

Хотя биометрические данные обычно считаются одним из самых надежных методов аутентификации, их использование также сопряжено со значительным риском. Это связано с тем, что в случае взлома данных кредитной карты ее хозяин может заблокировать свой кредитный счет и принять меры для изменения украденной личной информации. А что делать, если вы потеряете свое «цифровое лицо»?

Во всем мире собираются, хранятся и анализируются растущие объемы биометрических данных. Часто это делается организациями и правительствами, имеющими неоднозначную репутацию в области кибербезопасности. Все чаще задается вопрос, насколько безопасна инфраструктура, в которой хранятся и обрабатываются эти данные?

Поскольку программное обеспечение для распознавания лиц все еще находится в зачаточном состоянии, законы, регулирующие эту область, только разрабатываются (а иногда и полностью отсутствуют). Обычные граждане, данные которых скомпрометированы, имеют относительно немного законных возможностей для действия. Киберпреступники часто ускользают от властей или получают обвинительные приговоры спустя годы после преступлений, а их жертвы не получают компенсаций и вынуждены сами заботиться о себе.

По мере распространения технологии распознавания лиц, возрастают и возможности злоумышленников красть данные о лицах для совершения мошеннических действий.

Комплексный пакет кибербезопасности – необходимая часть защиты конфиденциальных данных и обеспечения безопасности в интернете. Рекомендуется использовать решение Kaspersky Security Cloud, обеспечивающее защиту всех устройств и включающее антивирус, защиту от программ-вымогателей, защиту мобильных устройств, управление паролями, VPN и родительский контроль.

Биометрические технологии являются интересными решениями в области безопасности. Несмотря на риски, эти решения весьма удобны и их сложно дублировать. Они будут развиваться и в будущем, а задача будет заключаться в усилении их преимуществ и минимизации рисков.

Источник