Technologiae et exempla pro futuro systematis visionis computatricis nostrae sensim ac in diversis inceptis nostrorum societatis creatae et auctae sunt - in Mail, Cloud, Search. Adoleverunt ut caseus bonus vel cognacus. Olim intelleximus retia nostra neuralis optimos eventus in recognitione ostendere, eosque in unum productum - Vision - b2b coniungendum decrevimus, quo nunc ipsi utimur et te utimur.
Hodie, visio technologiae computatoriae in Mail.Ru Cloud Solutiones suggestus est feliciter laborat ac solvendo problemata practica valde implicata. Fundatur in pluribus reticulis neuralis, qui in notitia nostra disponuntur et specialize exercentur in solvendis quaestionibus applicatis. Omnia officia currunt ad facultates servo nostro. Potes visionem publicam API in applicationes tuas integrare, per quas omnes facultates servitii in promptu sunt. API celer - gratias servo GPUs, mediocris responsionis temporis in retia nostra 100 ms est.
Ad felem, narratio detailed est et multa exempla operis Visionis.
Exemplum cuiusdam servi, quo ipsi memoratae technologiae agnitio facialis utimur . Una ex parte eius est visio photographica stat, quam in variis colloquiis instituimus. Si talem imaginem photographicam adeas, imaginem photographicam cum aedificatis in camera accipe et inscriptionem tuam intra, systema statim invenies inter imagines photographicas illas in quibus a colloquii photographis caducis captus es et, si placet; mittet tibi imagines inventas per email. Et non loquimur de offa ridicula effigies-Visio te etiam in ipso rerum prospectu in frequentia salutantium agnoscit. Profecto non stat photo se agnitos, hae sunt iustae tabulae in pulchris stat quae simpliciter imagines hospitum cum suis in cameras aedificatis sumunt et informationes ministrantibus transmittunt, ubi omnis cognitio magica accidit. Et plus semel vidimus quam admiranda efficacia technologiae etiam apud speciales recognitiones imaginum. Infra de aliquibus exemplis dicemus.
Recognitio 1. Faciem nostram Model
1.1. Neural network et celeritas dispensando
Ad recognitionem modificationem ResNet 101 retis neuralis exemplaribus utimur.- Mediocris connexio in fine reponitur per stratum plene connexum, simile quomodo in ArcFace factum est. Magnitudo repraesentationum vectoris 128, non 512. Nostra institutio contineat circiter 10 miliones imagines hominum 273.
Exemplar velocissime decurrit gratias ad architecturae et GPU computatoris conformationis diligenter selectae. Ex 100 ms accipit responsionem ab API in retibus nostris internis accipere - detectio faciei (faciem in imagine photographica deprehendens), agnoscens et reverti PersonID in responsione API. Cum magnis voluminibus notitiarum advenientis - photographemata et videos - multo magis tempus erit notitias in servitium transferre et responsionem recipere.
1.2. Efficaciam perpensis exemplar
Sed definire efficientiam reticulorum neuralis ambiguum est opus valde. Qualitas operis sui dependet ab illis quae in notitia ponit exempla exercenda sunt et utrum optimized sunt ad operandum cum notitia specifica.
Accusationem exemplaris nostri aestimare incepimus cum probatione populari LFW verificationis, sed nimis parva ac simplici est. Post 99,8% accurationem perveniens, iam non est utilis. Certamen bonum est pro exemplorum recognitionum aestimandorum - Megaface, quo paulatim 82% gradum pervenimus 1. Megaface test constat ex decies centenas imagines - distractores - et exemplar pluribus milibus photographorum celebritatum a Facescrub bene distinguere poterit. dataset a distractors. Nihilominus, Megafacei experimento errorum purgato, invenimus nos purgata versione accurationem 98% ordinis 1 (photos celebritatum plerumque satis specificos esse) invenimus. Ideo identificatio separatae testem creaverunt, Megafacei similem, sed imagines "vulgares" populi. Tum accurationem recognitionis nostrae in notitiastarum nostrarum emendavimus et longe ante processimus. Praeterea utimur corymbis qualitatibus experimentis, quod ex pluribus milibus photographorum constat; Simulat faciem tagging in nubem usoris. In hoc casu, glomerati sunt coetus similium hominum, unus pro unaquaque persona cognoscibilis. Cohibuimus qualitatem operis in coetibus realibus (verum).
Nimirum occurrunt errores agnitionis cum quovis exemplari. Sed eiusmodi condiciones saepe perplexis liminibus pro certis condicionibus resolvuntur (nam omnibus colloquiis iisdem liminibus utimur, sed, exempli gratia, ad accessum systematum temperandum nobis liminibus multum augendum est ut pauciores sint positivi falsi). Plurima pars visitatores colloquii recte a visione photographica tabernacula nostra agnita sunt. Aliquando quis praevisionem tonsam aspiceret et diceret, "Errasti ratio tua, non me." Tum imaginem photographicam totam aperuimus, et evenit ut vere hic visitator in photo esset, modo non photographaret eum, sed alius, qui forte in curriculo in zona labes erat. Praeterea retis neuralis saepe recte agnoscit etiam cum pars faciei non apparet, aut persona stat in figura vel etiam dimidiata. Systema agnoscere potest hominem, etiam si facies est in regione pravitatis opticae, dicendo, cum lens late-angulo jaculando.
1.3. Exempla temptandi in rebus arduis
Infra exempla sunt quomodo retiacula nostra neural opera facit. Imagines initus subiciuntur, quas debet label uti PersonID - a unique identifier personae. Si duae pluresve imagines idem ID habeant, hae imagines photographicas secundum exempla eandem personam depingunt.
Statim notemus quod tentantes, accessum habemus ad varias parametris et exemplares liminum quos configurare possumus ad aliquem exitum assequendum. Publicus API est optimized ad accurationem maximam in casibus communibus.
In simplicissima re sit amet, ante faciem recognitionem.
Bene nimis erat facilisis. Inpediamus negotium, barbam adde et aliquot annos.
Dicet aliquis hoc etiam non nimis difficile esse, quia in utroque casu tota facies visibilis est, et multum notitiae de facie algorithm praesto est. Bene, Tom Hardy in profile vertamus. Quaestio haec multo magis implicata est, et multum conatum ad solvendum utiliter egimus, servato humili errore rate: delegimus institutionem paro, cogitationem per architecturam retis neuralis, amissionem functionum acuimus et priorem processui emendavimus. of photograph.
Mittamus cidarim super eum;
Obiter hoc est exemplum difficilis condicionis, quia facies graviter obscuratur, et in ima photographica etiam umbra profunda oculos occultat. In vita reali, homines persaepe suam speciem mutant cum vitreis obscuris ope. Idem faciamus cum tom.
Bene, in imaginibus ex diversis aetatibus conemur inicere, et hoc tempore cum alio actore experiemur. Exemplum multo magis implicatum sumamus, ubi mutationes aetatum praesertim pronuntiatae sunt. Res non longe petita est: saepius occurrit, cum opus est ut photographematum in Diplomate cum portantis vultu conferre debes. Post omnes, prima photographica diplomati additur cum dominus 20 annorum est et per aetatem 45 homo multum mutare potest;
Putasne praecipuum artifex in missionibus impossibilibus non multum cum aetate mutatum esse? Puto etiam paucos homines imagines summas et ima coniungendas, puer tantum per annos mutatus est.
Neuralis retiacula multo saepius mutantur in aspectu. Exempli gratia: interdum mulieres imaginem suam cum fucis ope multum mutare possunt;
Nunc negotium magis inpediamus: putant partes faciei diversis photographis obtectae. In hoc casu, algorithmus integra exemplaria comparare non potest. Visio tamen condiciones huius modi tractat.
Obiter multa facies in photograph esse potest, exempli gratia, plus quam 100 homines in communi photographica aulae convenire possunt. Haec difficilis condicio reticulorum neuralis est, quia multae facies aliter, aliae extra umbilicum accendi possunt. Attamen, si photographica photographica sufficienti resolutione et qualitate (saltem 75 pixels per quadratam faciem obtegens), visio eam detegere et agnoscere poterit.
Proprietas relationis imagines et imagines ab custodia camerarum est quod homines saepe turbati sunt quia extra umbilicum erant vel in ipso momento movebantur;
Intensio etiam accensis multum variari potest ab imagine ad imaginem. Hoc quoque saepe scandalum fit, multi algorithmi magnam habent difficultatem recte imaginum processus, quae nimis obscurae sunt et nimis leves, ne dicam accurate adaptandas. Me admoneam te ad hunc exitum assequendum certo modo limina configurare, haec factura nondum publice praesto est. Eadem retia neurali utimur omnibus clientibus, limina habet apta ad opera utilissima.
Nuper nos novam versionem exemplaris involuti sumus, quod Asiae facies summa cum diligentia agnoscit. Solebat hoc magnum problema esse, quod etiam "machina discendi" (vel "retis neural") vocabitur. Europaeae et Americanae retiacula neuralis Caucasiae facies bene agnoverunt, sed cum Mongoloide et Negroide condicionem condicionem multo deteriorem esse voluerunt. Probabiliter in Sinis res prorsus adversae erant. Tota de institutione data ponit quae principales rationes hominum in aliqua regione reflectunt. Sed res mutatur, hodie haec quaestio non ita acuta est. Visio nullam difficultatem habet cum diversis gentibus.
Agnitio facielis una ex multis applicationibus technologiae nostrae est: Visio formari potest ad aliquid cognoscendum. Exempli gratia: licentia laminarum, in condicionibus algorithms difficilibus inclusis: in angulis acutis, sordidis et difficilibus ad licentiam laminarum lecturum.
2. De casibus usu
2.1. Corporalis accessum imperium: cum duo homines eodem saltu utuntur
Ope Visionis, rationes ad effectum deducendi ad adventum et discessum conductorum notare potes. Traditionalis ratio secundum electronica transitum manifesta incommoda habet, exempli gratia, duos homines uno signo utentes. Si accessus moderandi ratio (ACS) cum visione suppletus est, honeste recordabitur qui venit/reliquit et quando.
2.2. Tempus tracking
Haec visio usus causa cum priori propinqua est. Si accessum systematis accessum cum nostro agnitionis faciei servitio admiseris, non solum violationes moderandi accessum deprehendere poterit, sed etiam praesentiam conductorum in aedificio vel facultate subcriptio. Id est, Visio adiuvabit te honeste considerare, qui laborando ac relicto quo tempore venerat, et qui totum opus perstrinxissem, etiam si ante praelatorum collegae sibi velati sunt.
2.3. Video Analytics: populus mauris et Securitatis
Sequendo homines visionis utentes, accurate perpendere potes vera negotiatio locorum shoppinglium, statio tramen, itinera, plateas et multa alia loca publica. Nostra vestigia etiam magnum auxilium esse possunt in accessu moderante, exempli gratia, in horreis vel aliis magni momenti muneribus. Et sane homines et facies sequi adiuvat quaestiones securitatis solvendas. Deprehensus est aliquis ex tua copia? PersonID eius, quae per Visionem rediit, ad notationem programmatis video analyticorum tuorum addere, et tunc temporis ratio securitatis statim excitabit si hoc genus iterum apparet.
2.4. In commercia
Retail et variae servitutis negotia intersunt in queue recognitione. Ope Visionis, agnoscere potes hanc turbam non temere hominum, sed queue, ac longitudinem determinare. Et tunc systema informat praefectis de queue ut condicionem figurare possint: aut est influxus visitatores vocandi et additi opifices, aut aliquis officiorum officiorum remissior.
Aliud interesting opus est ut societatem operariorum in aula a visitatoribus separare possit. Typice instituitur ratio ad res singulas induendas indutis quibusdam vestibus (codice vestis) vel cum aliqua distinctiva notatione (chlamyde notata, in cista nota, et sic de aliis). Hoc iuvat ad accuratius perpendendam frequentiam (ut operarii non "inflarent" statisticam hominum in aula sua praesentia).
Utens recognitione vultus, etiam auditores tuos aestimare potes: quae sit fides salutantium, id est, quot homines ad tuam institutionem et qua frequentia revertantur. Computa quot unicum visitatores ad te per mensem veniunt. Sumptibus attractionis et retentionis ad optimize, etiam invenire potes mutationem negotiationis secundum diem sabbati atque etiam tempus.
Societas franchisores et catenae aestimare possunt secundum imagines qualitatis notae variarum scrutationum exitus: praesentia logos, signa, posters, vexilla et cetera.
2.5. Per onerariam
Aliud exemplum securitatis praestandi utendi analyticorum video cognoscere res relictas in atriis aliquet nisl vel stationes ferriviarias. Visio instrui potest ad cognoscendum objecta centum generum: supellex, sacci, viduli, umbellae, variae vestium genera, utres, et sic porro. Si systema analyticorum video tuum rei vacuam detegit et eam visione utens agnoscit, signum emittit ad servitium securitatis. Simile opus cum automatariis detectis insolitarum rerum in locis publicis coniungitur: quis male sentit, aut aliquis fumat in loco iniquo, aut homo in cancellos cadit, et sic porro - omnia haec exemplaria cognosci possunt per systemata analyticorum analyticorum. per visionem API.
2.6. Documentum influunt
Alius interesting futurae visionis applicatio quae nunc enucleatur documentum est agnitio et eorum parsing latae in databases. Loco manually intrantes (vel peius intrantes) infinitas series, numeros, dies exitus, ratio numeri, singula riparia, dies et loca nativitatis et multa alia notata formalizata, documenta lustrare potes et automatice eas per alveum securum transmittere. API ad nubem, ubi haec documenta in musca cognoscet, parse illas et responsionem redde cum data in forma inquisita per ingressum automatico in datorum. Hodie Visio iam scit documenta inserere (PDF) distinguit inter diplomata, SNILS, TIN, testimonium nativitatis, testimoniales matrimoniales et cetera.
Utique network neural has omnes condiciones ex pixide tractare non potest. In unoquoque casu, novum exemplar ad certum emptorem constitutum, multae causae, nuances ac requisita ratione habita, notitia copiae selectae sunt, et iterationes institutionis, probationis, conformationis actae sunt.
3. API operatio ratio
Visionis "porta introitus" pro utentibus est CETERA API. Imagines recipere potest, tabellas video et e cameras retiaculas (RTSP rivos) sicut input mittere.
Visione uti, debes in Mail.ru Cloud Solutiones operae et signa accessum accipiunt (client_id + client_secret). Usor authenticas adhibita protocollo OAuth conficitur. Fons data in corporibus POST petitiones API mittitur. Et respondens, client ab API agnitionem in forma JSON consequitur accipit, responsioque structa est: informationes continet de rebus inventis earumque coordinatis.
Sample responsum
{
"status":200,
"body":{
"objects":[
{
"status":0,
"name":"file_0"
},
{
"status":0,
"name":"file_2",
"persons":[
{
"tag":"person9"
"coord":[149,60,234,181],
"confidence":0.9999,
"awesomeness":0.45
},
{
"tag":"person10"
"coord":[159,70,224,171],
"confidence":0.9998,
"awesomeness":0.32
}
]
}
{
"status":0,
"name":"file_3",
"persons":[
{
"tag":"person11",
"coord":[157,60,232,111],
"aliases":["person12", "person13"]
"confidence":0.9998,
"awesomeness":0.32
}
]
},
{
"status":0,
"name":"file_4",
"persons":[
{
"tag":"undefined"
"coord":[147,50,222,121],
"confidence":0.9997,
"awesomeness":0.26
}
]
}
],
"aliases_changed":false
},
"htmlencoded":false,
"last_modified":0
}Responsio interesting parametri habet terrorem - hoc est condicionalis "tegritudo" faciei in imagine photographica, cuius ope optimum iactum faciei ex serie eligimus. Reticulum neurale instituimus ut praediceremus verisimilitudinem imaginem photographicam in reticulis socialibus amatum iri. Melior est qualitas photographica et facies magis ridet, eo maior terror.
API Visio conceptu utitur spatio vocato. Hoc est instrumentum ad varias lineas conficiendas facierum. Exempla spatiorum sunt listae nigrae et albae, indices hospitum, conductorum, clientium, etc. Pro unoquoque signo in visione visis, usque ad 10 spatia creare potes, unumquodque spatium habere potest usque ad 50 milia PersonIDs, hoc est, usque ad 500 milia. per indicium. Numerus autem signorum per rationem non limitatur.
Hodie API sequentes detectiones et agnitiones modos sustinet:
- Agnosce / Set - detectio et agnitio facierum. Automatarie PersonID cuivis singulari personae attribuit, PersonID et coordinatas personarum inventarum reddit.
- Delere - delendo personam datorum specificam PersonID.
- Truncate - totum spatium ab PersonID repurgat, si utilis est ad spatium usitatis adhibitum et opus datorum ad productionem retexere.
- Detegere - detectio obiecti, scenae, licentia laminarum, terminos, queues, etc. Redit genus rerum inventarum et earum coordinatarum.
- Documenta deprehendere - genera documentorum Foederationis Russicae (distinguit passport, NILS, numerus identitatis tributum, etc.).
Mox etiam opus de methodis perficiendis pro OCR, genera, aetate et affectibus determinandis, necnon solvenda negotia mercaturae, hoc est, ad ostentationem bonorum in tabernis automatice moderandis. Potes invenire documenta integra API hic:
4. conclusioni
Nunc, per API publicum, recognitionem facialem in imaginibus et videos accedere potes, identificatio rerum variarum, lamellarum licentia, termini, documenta et scaenae integrae sustentantur. Applicatio missionum - maris. Age, experire nostrum officium, pone fallacias operas. Negotiationes prima 5000 libera sunt. Forsitan erit "deest ingrediens" pro inceptis tuis.
Statim accedere API in adnotatione et connexione potes. . Omnes Habra users recipiunt promo code pro additis negotiis. Quaeso scribes ad me inscriptionem electronicam ut rationem tuam subcriptio solebas!
Source: www.habr.com