DalšíDalší průvodce
Detekce materiálů sexuálního zneužívání dětí pomocí AI
Vizuální AI
Vizuální průvodce AI
Detekce obličeje lokalizuje pravděpodobné obličeje v obraze a obvykle vrátí ohraničující rámečky nebo orientační body; sama o sobě nejmenuje lidi v těchto regionech.
Poslechněte si tento návodAI-vyprávěný · ~3 min
Klasické kaskády a moderní naučené detektory využívají různé funkce a kompromisy mezi rychlostí a přesností. Testování v reálném světě musí počítat s malými obličeji, okluzí, pózou a náklady na zmeškané nebo falešné detekce.
Detekce obličeje odpovídá tam, kde jsou pravděpodobné obličeje, obvykle pomocí obdélníků a někdy orientačních bodů, jako jsou body očí a úst. Neurčuje identitu, náladu ani to, zda je tvář živá. Detekce se může stát vstupem pro oříznutí, rozmazání, odhad orientačních bodů nebo samostatný rozpoznávací systém; chyby v této první fázi mohou ovlivnit vše navazující. Chybějící obličej může uniknout rozmazání soukromí, zatímco rámeček falešného obličeje může zakrýt nesouvisející část obrázku. Kaskáda Viola–Jones je vlivný klasický přístup. Skenuje oblasti obrazu v různých velikostech a používá sekvenci jednoduchých klasifikátorů prvků. Většina oken bez tváře je brzy zamítnuta, takže kandidátům, kteří projdou počátečními fázemi, zůstává více výpočtů. OpenCV dokumentuje tento přístup ve svém tutoriálu kaskádového klasifikátoru. Kaskády mohou být účinné v omezených podmínkách, ale mohou se potýkat s obtížnou pózou, malými obličeji a okluzí v závislosti na trénovacích datech a implementaci. Moderní konvoluční detektory se učí bohatším obrazovým vlastnostem a často předpovídají rámečky ve více měřítcích obrazu. Například RetinaFace ve svém návrhu výzkumu společně využívá face-box a dohled nad památkami. Jeho publikované výsledky benchmarků popisují konkrétní model a hodnocení, nejsou zárukou pro každý fotoaparát. Výstup detektoru závisí na prahové hodnotě: nižší prahové hodnoty mohou zachytit obtížnější obličeje, ale mohou přidat falešné poplachy. Překrývající se předpovědi pro stejnou plochu jsou obvykle konsolidovány. Vyhodnoťte přesnost a vyvolání na užitečných prahových hodnotách a zkontrolujte chyby podle velikosti obličeje, pozice hlavy, osvětlení, okluze a typu scény. Při rozdělování datových sad mějte fotografie ze stejné relace pohromadě, aby poblíž duplikátů nevypadal detektor lépe, než je. Použití ochrany soukromí vyvolává další otázku: je pokrytí detekcí dostatečně vysoké, aby nezůstalo po rozmazání někoho viditelné? To může vyžadovat kontrolu člověkem nebo širší maskování. Detekce by se neměla tiše stát uznáním nebo vyvozováním emocí. Řekněte lidem, k jakému vizuálnímu zpracování dochází, ponechte si pouze to, co úkol vyžaduje, a navrhněte důsledky jak zmeškaných, tak nadbytečných polí.
Aplikace pro focení najde před oříznutím portrétů rámečky obličejů, ale ponechá si rozpoznání, pokud existuje, jako samostatný krok přihlášení.
Nástroj pro videohovory testuje detekci tváří v blízkosti okraje obrazu spíše než pouze tváře směřující dopředu ve středu.
Kamera porovnává falešné detekce na plakátech s nezdařenými detekcemi částečně zakrytých osob.
Vlastník benchmarku před vyhodnocením nového detektoru oddělí fotografie podle osob a zdroje zachycení.
Efektivní detektory se budou i nadále přesouvat do telefonů, kamer a zařízení pro usnadnění přístupu, s důrazem na malé obličeje a obtížné osvětlení. Lepší průměrné benchmarky neodstraní zmeškané detekce neobvyklých pozic nebo zakrytých tváří. Hodnocení by měla zahrnovat podmínky a skupiny, kde produkt skutečně poběží, a aplikace pro ochranu soukromí by měly plánovat lidskou kontrolu, když něco postrádá. Orientační body a detekční systémy se mohou integrovat těsněji, ale týmy by měly stále rozlišovat místo od identity a vyvozování z výrazu. Spolehlivý produkt odhalí nejistotu a poskytne cestu k obnově, když je krabice chybná nebo chybí.
Newsletter zdarma
Tři ověřené příběhy ze světa AI každý všední den ráno, psané srozumitelnou angličtinou. Navždy zdarma, bez reklam.
Jeden e-mail každý všední den. Odhlásit se můžete jedním kliknutím. Vaši adresu nikdy neprodáváme ani nesdílíme.
Otestujte se
Okamžitá zpětná vazba ke každé odpovědi a sdílitelný certifikát s ověřitelným ID po absolvování kurzu.
Podpořte bezplatnou AI vzdělávání. AI Understanding je nezisková organizace 501(c)(3) — žádné reklamy, žádná platba za přístup, nikdy. Darujte
Detekce obličeje lokalizuje pravděpodobné obličeje v obraze a obvykle vrátí ohraničující rámečky nebo orientační body; sama o sobě nejmenuje lidi v těchto regionech. Klasické kaskády a moderní naučené detektory využívají různé funkce a kompromisy mezi rychlostí a přesností. Testování v reálném světě musí počítat s malými obličeji, okluzí, pózou a náklady na zmeškané nebo falešné detekce.
Lokalizace a odvození identity nebo emocí jsou samostatné úkoly.
Klasická kaskáda investuje práci v pozdější fázi pouze do kandidátů, kteří projdou dřívějšími filtry.
Výzkum RetinaFace kombinuje detekci a dohled související s orientačním bodem.
Threshold choice obchoduje citlivost vůči falešným pozitivům.
Nemaximální potlačení nebo podobné následné zpracování může konsolidovat duplicitní detekce.
Učte se dál
Pro toto téma bylo vybráno více průvodců
DalšíDalší průvodce
Detekce materiálů sexuálního zneužívání dětí pomocí AI
Vizuální AI