21 世纪的第二个 10 年 ， 基于深度学习神经网络的当代人脸识别技术势如破竹 。
与仍需要人工操作的人机交互阶段相比 ， 人脸识别的自动化程度和精确度都更高 。 在这个新的历史时期 ， 企业开始大量投入其中 ， 从而进一步推动人脸识别走向商用市场：云端——2010 年起 ， Facebook 招募了图像身份自动标记人员 ， 从那时开始 ， FB 平台上每天有超过一百万张照片被上传和标注；终端——诸如 Windows Hello 和 Android 的 Trusted Face ， 将人脸识别作为一种安全功能集成到了个人设备中 ， 然后在 2017 年推出了 iPhone X 和 Face ID 。 到了 2017 年 ， iPhone X 成为全球最畅销的带有人脸识别功能的手机 。
当人脸识别大规模铺开使用摁下了加速键之后 ， 越来越多人意识到 ， 人脸识别的方向和速度产生了偏差 。
抵制人脸识别的关键词之一：
偏见
根据任务 ， 现代人脸识别系统可以简单划分为两类：将人脸与大型数据库进行匹配的一对多识别系统以及更简单的一对一验证系统 。 相较前者 ， 一对一验证只涉及确认一个人与自己的照片相匹配 ， 主要应用于解锁智能手机、护照检查之类的场景 。
一个典型的人脸识别系统 ， 第一阶段会在图像中定位一个或多个人脸角度 。 例如 ， 在各种照明条件下和从不同角度观看监视摄像机馈送中的人脸 ， 下一个任务是 “标准化” 人脸 ， 将被拍摄对象旋转为正面 ， 保证照明良好的视图 。 这产生了一组人脸 “特征” ， 可以与从现有人脸数据库中提取的人脸 “特征” 进行比较 。 通常包括在受控条件下拍摄的照片 ， 例如警方使用的照片 。 由于要素表示形式是结构化的文件 ， 计算机可以快速扫描数百万个文件以找到最接近的匹配项 。
无论是哪一类任务 ， 自大约 10 年前将 “深度学习” 技术引入该领域以来 ， 识别的准确性得到了极大提高 。 但是 ， 这是否意味着人脸识别足够用于现实世界？
在人脸识别领域 ， 有一个已经进行了 20 余年重要的基准测试 。 那就是由美国国家标准技术研究院（NIST）主导的国际权威人脸识别供应商测试 FRVT （Face Recognition Vendor Test） 。
NIST 拥有规模达到百万量级的人脸数据 ， 且均来自真实业务场景 。 NIST 会根据自己的图像数据集来衡量学术机构或者企业提交的人脸识别系统性能 。 由于测试数据不公开 （盲测） ， 参赛的算法团队无法利用测试数据做模型训练 ， 相对于 LFW、MegaFace 而言 ， FRVT 则更能体现测试的公正性 。
2019 年下半年 ， NIST 发布了一份报告 ， 描述了人脸识别在 2018 年期间的巨大进步 ， 包括一对多搜索和一对一验证两大任务 。 NIST 图像小组负责人的电气工程师 Craig Watson 表示：“我们发现人脸识别的准确性有了显着提高 ， 这很大程度上是得益于卷积神经网络的出现 。 ”
NIST 发现 ， 算法现在可以从户外拍摄的个人资料图像中识别出人 ， 并与数据库中的正面视图相匹配 ， 其准确度已经和十年前最好的人脸识别软件识别正面图像相同 。 NIST 研究人员写道 ， “这在人脸识别的长期研究中是一个里程碑” 。
但是 NIST 也证实了 2018 年一项捅破了 “纸窗户” 的研究 。
2018 年 ， 计算机科学家 Timnit Gebru（美国人工智能领域仅有的几位黑人女性计算机科学家之一 。 ）发表的研究结果 ， 首次揭示了商业人脸识别系统的缺陷：人脸识别针对黑人、女性的错误率高达 21%~35% ， 而针对白人、男性的错误率则低于 1% 。 黑人女性有 20%~30% 的概率被识别错误 ， 产生误会 。 也就是说 ， 如果是在警用安保等场景下 ， 后果可能会非常严重 。
推荐阅读
- 删除账单要人脸识别怎么解除
- 怎么识别萨摩耶
- 人脸识别引发道德伦理担忧！你的脸被监视了吗？
- 微信人脸支付怎么设置
- 扩容盘恢复真实内存 怎么样识别扩容卡
- 人脸识别，边界何在？
- 如何识别优质的基金
- AI又当医生了，这次是通过血液识别癌症
- win7电脑无法识别usb设备
- Win11面部识别设置不了怎么办 Win11激活面部识别功能