व्हिडिओ विश्लेषणे एकत्रित करतात: मेंदू आणि मशीन आपल्या चेहऱ्यांसह काय करतात

चेहरे पाहण्याची आणि पटकन ओळखण्याची क्षमता ही एक महासत्ता आहे. विश्लेषणावर वेळ वाया घालवण्याची गरज नाही, wrinkles, folds आणि ovals अभ्यास. चेहऱ्याची ओळख झटपट आणि सहज आहे. हे इतकं सोपं आहे की आपण ते कसं करतो हे आपल्या लक्षात येत नाही.

प्रत्येक वेळी एकाच क्रमाने (बहुतेकदा) दोन डोळे, एक तोंड, नाक, बाजूंना चिकटलेले कान - एकमेकांशी किती समान भिन्न चेहरे आहेत याचा विचार करा. हे अविश्वसनीय आहे की आम्ही एखाद्या वस्तूचे इतक्या सहजतेने विश्लेषण करतो.

आम्ही जन्मापासूनचे चेहरे ओळखण्यासाठी "प्रोग्राम केलेले" आहोत, परंतु आता लोकांनी चांगले केले आहे - त्यांनी मशीनला हे कौशल्य शिकवले. व्यक्ती ओळख आणि ओळख प्रणालींचा व्यापक परिचय समाजाच्या जीवनावर कसा परिणाम करेल?

पॅरिडोलिया: स्वयंचलित चेहरा शोध

"स्वयंचलित" मोडमधील लोक कोणत्याही पृष्ठभागावरील परिचित प्रतिमा वेगळे करण्यास सक्षम आहेत. इमारतीचे फक्त तीन स्थापत्य घटक आश्चर्यचकित बदकाचा चेहरा म्हणून समजले जातात. हे पॅरिडोलियाचे उदाहरण आहे.

पॅरेडोलिया हा शब्द ग्रीक शब्द पॅरा (पॅरा - जवळ, बद्दल, एखाद्या गोष्टीपासून विचलन) आणि इडोलोन - प्रतिमा यावरून आला आहे. हे एका ऑप्टिकल भ्रमाचे नाव आहे, जिथे प्रत्यक्षात काहीही नाही अशा प्रतिमेची किंवा अर्थाची धारणा. उदाहरणार्थ, झाडाच्या खोडावरील चेहरा किंवा ढगांमधील प्राण्यांच्या आकृत्या म्हणजे पॅरेडोलिया.

यासारखे आणखी फोटो thingswithfaces.com वर मिळू शकतात

आपल्याला माणसांचे चेहरे आणि प्राण्यांचे चेहरे दिसतात कोणतेही भौमितिक आकृती. संपूर्ण इमोजी संस्कृती या तत्त्वावर बांधली गेली आहे. 🙂

पॅरिडोलियाची घटना सहजपणे अल्गोरिदमिक भाषेत अनुवादित केली जाऊ शकते. कलाकार शिनसेंगबॅक किम्योंगहुन ओपनसीव्ही लायब्ररीसह स्क्रिप्ट वापरून छायाचित्रित ढग क्षणोक्षणी मानवी चेहऱ्यांमध्ये विलीन होतात.

थॅचर इल्युजन: सिस्टीमिक बायोलॉजिकल एरर्स

एक जैविक बग आहे जो दर्शवितो ओळख कौशल्याचे अधिक महत्त्व. तुमच्या सभोवतालच्या बहुतेक वस्तू - एक खुर्ची, एक टेबल, एक संगणक - कोणत्याही कोनातून पाहणे आणि योग्यरित्या ओळखणे सोपे आहे. फक्त चेहरे नाही.

उलटा चेहरा केल्याने मेंदूमध्ये थॅचर इफेक्ट (भ्रम) नावाची खराबी निर्माण होते. इंद्रियगोचर अशा स्थितीचे वर्णन करते ज्यामध्ये वरच्या-खाली पोर्ट्रेट फोटोमध्ये स्थानिक बदल शोधणे कठीण आहे.

मार्गारेट थॅचरचा फोटो उलटा फिरवून निकाल पाहू.

पहिला फोटो सामान्य वाटतो, परंतु जर तुम्ही तो उलटवला तर डोळे आणि तोंडाची चुकीची स्थिती लगेच तुमच्या डोळ्यांना पकडते. एक व्यक्ती आणि कृत्रिम न्यूरल नेटवर्क प्रतिमा वेगळ्या प्रकारे जाणतात. हे आश्चर्यकारक आहे की आपल्या कानांमधील "न्यूरल नेटवर्क" मूर्ख बनवणे इतके सोपे आहे.

थॅचर इल्युजन काही मूलभूत यंत्रणा दाखवतो ज्याद्वारे आपला मेंदू माहितीवर प्रक्रिया करतो. मेंदू वैयक्तिक घटकांचा संग्रह वाचतो: डोळे, नाक, तोंड आणि कान. चेहर्यावरील वैशिष्ट्यांच्या वैयक्तिक वैशिष्ट्यांव्यतिरिक्त, त्यांचे एकमेकांशी असलेले नाते आणि स्थान विचारात घेतले जाते. म्हणजेच, चेहरा एक अविभाज्य प्रणाली म्हणून समजला जातो.

म्हणून, जेव्हा आपल्याला उलटा चेहरा दर्शविला जातो, तेव्हा मेंदूला संपूर्णपणे प्रतिमेचे मूल्यांकन करणे अधिक कठीण असते - प्रत्येक घटकासाठी माहिती स्वतंत्रपणे "संकलित" केली जाते: डोळे जागी असतात, तोंड तोंडासारखे दिसते. तथापि, आम्हाला योग्य चेहरा दर्शविल्याबरोबर, एकाच प्रणालीची धारणा अचानक पुन्हा जोडली जाते आणि समस्या सुरू होतात: हे स्पष्ट होते की नेहमीची वैशिष्ट्ये असामान्य मार्गाने एकमेकांशी जोडलेली असतात.

ते महत्त्वाचे का आहे? मानवी मेंदू चेहऱ्याच्या वैशिष्ट्यांमधील किरकोळ फरक ओळखण्यास सक्षम आहे, बोधाच्या अखंडतेमुळे. सेरेब्रल कॉर्टेक्सचा एक भाग चेहरा ओळखतो आणि टक लावून पाहण्याची दिशा ठरवतो, अमिग्डाला आणि इन्सुला चेहर्यावरील भावांचे विश्लेषण करतात आणि फ्रंटल लोबच्या प्रीफ्रंटल झोनमधील एक क्षेत्र आणि मेंदूची आनंद प्रणाली त्याच्या सौंदर्याचे मूल्यांकन करते.

वैशिष्ट्य म्हणून बग: चेरनोव्हचे चेहरे

(с)

मानवी आकलनाचे वैशिष्ट्य "चेहरे" वापरून एकत्रित बहुआयामी डेटाचे विश्लेषण करण्यासाठी वापरले जाते. अमेरिकन गणितज्ञ हरमन चेरनोव्ह यांनी 1973 मध्ये वैशिष्ट्यपूर्ण अवलंबित्व ओळखण्यासाठी आणि अनेक चलांमधील जटिल संबंध शोधण्यासाठी "चेहरे" वापरण्याची संकल्पना मांडली.

चेरनोव्हचा डेटा चेहर्यावरील चित्राच्या स्वरूपात परावर्तित होतो, जेथे निवडलेल्या व्हेरिएबल्सची सापेक्ष मूल्ये वैयक्तिक वैशिष्ट्यांचे आकार आणि आकार म्हणून सादर केली जातात: नाकाची लांबी, भुवयांमधील कोन, चेहर्याचा रुंदी - एकूण 36 व्हेरिएबल्स पर्यंत. अशा प्रकारे, निरीक्षक प्रत्येक मूल्यांच्या कॉन्फिगरेशनसाठी अद्वितीय असलेल्या वस्तूंची दृश्य वैशिष्ट्ये ओळखू शकतो.

चेहर्यांनी बनवलेल्या आकृतीवर एक द्रुत दृष्टीक्षेप आपल्याला प्रोफाइलची वैशिष्ट्ये लक्षणीय भिन्न आहेत की नाही हे द्रुतपणे निर्धारित करण्यास अनुमती देईल (योगायोग). चेहर्यावरील वैशिष्ट्यांच्या तपशीलवार पुनरावलोकनासह, कोणती वैशिष्ट्ये (प्रत्येक चेहर्याचे वैशिष्ट्य मूळ डेटा सेटचे वेगळे वैशिष्ट्य आहे) समान आहेत आणि कोणती भिन्न आहेत हे स्पष्ट होते. उदाहरणार्थ, वरील चित्रात, दुःखी आणि आनंदी इमोटिकॉन्सद्वारे देशांमधील फरक लक्षात घेणे सोपे आहे.

कारला तुमच्या चेहऱ्याची गरज का आहे?

झटपट चेहरा ओळखण्याचे कौशल्य तुम्हाला तुमच्या मुलाला बालवाडीतून उचलण्यात, जोडीदार निवडण्यात आणि योग्य आणि योग्य पद्धतीने भावना व्यक्त करण्यात मदत करते. पण जेव्हा एखादी व्यक्ती ही क्षमता कृत्रिम न्यूरल नेटवर्कमध्ये हस्तांतरित करते तेव्हा काय होते?

कल्पना तिरस्करणीय असू शकते. डेटा संग्रहित करणारे, हालचालींवर लक्ष ठेवणारे, खरेदी आणि भावनांचे विश्लेषण करणारे तंत्रज्ञान सहजपणे स्वीकारण्यास प्रत्येकजण तयार नाही. साध्या व्हिडिओ पाळत ठेवण्यापासून वैयक्तिकृत व्हिडिओ विश्लेषणापर्यंतच्या संक्रमणामुळे जबाबदारीत लक्षणीय वाढ होते.

आज अल्गोरिदम जसे की डीपफेस चेहऱ्यातील समानता माणसांपेक्षा जास्त अचूकतेने शोधणे. Nvidia चे अल्गोरिदम काही सेकंदात अस्तित्वात नसलेल्या लोकांचे चेहरे तयार करते. वरील कोलाजमधील चेहरे व्युत्पन्न StyleGAN न्यूरल नेटवर्क, 70 प्रतिमांच्या डेटा सेटवर प्रशिक्षित. ते भयानक वास्तववादी दिसतात.

सर्चफेस अल्गोरिदमचे प्रात्यक्षिक

सुरुवातीला, फेसबुकच्या फेशियल रिकग्निशन अल्गोरिदममुळे सतर्कता वाढली, परंतु नंतर प्रत्येकाला याची सवय झाली (किंवा सोशल नेटवर्क सोडले). व्हीकॉन्टाक्टे वर फोटोद्वारे लोकांना शोधण्यासाठी फाइंडफेस सेवेला मिश्रित प्रतिसाद मिळाला आणि त्याचा वापर गुंडगिरीसाठी केला गेला, परंतु समान शोधफेस प्रकल्प बंद केल्याने आधीच वापरकर्त्यांकडून नकारात्मक प्रतिक्रिया आली आहे - तथापि, डेटा उपलब्ध असल्यास, तो उघडू द्या. प्रत्येकाला.

किरकोळ साखळी चोरी रोखण्यासाठी, ग्राहकांच्या वय, लिंग आणि अगदी भावनांचा डेटा गोळा करण्यासाठी चेहर्यावरील ओळख तंत्रज्ञान स्थापित करत आहेत. दिवसाच्या शेवटी, ग्राहक अनुभव सुधारणे आणि त्यातून पैसे कमविणे हे लक्ष्य आहे. जेव्हा ग्राहकांना हे लक्षात येते की ही प्रणाली त्यांच्यासाठी वैयक्तिकरित्या फायदेशीर आहे, तेव्हा बरेच लोक नवीन तंत्रज्ञान लागू करण्यास सहमत होतील.

"ओळख चोरी" - क्रेडिट कार्ड आणि ओळख फसवणूक -च्या प्रकरणांमध्ये वाढ होत असताना, ग्राहक गरज असताना तेथे असलेल्या प्रणालीला प्राधान्य देतील. त्यांना योग्यरित्या ओळखतो.

सध्या, अल्गोरिदम कमी प्रकाशाच्या फ्रेम्स, कमी रिझोल्यूशन आणि क्लृप्त्या, जसे की चष्मा, विग आणि मल्टी-डे स्टबल या समस्यांचे निराकरण करण्यात मदत करतात. प्रणाली आश्चर्यकारक वेगाने कार्य करतात आणि लाखो लोकांच्या डेटाबेसशी फक्त एका सेकंदात चेहरा जुळतात.

यूएसए मधील काही दुकाने ऑफर चोरीच्या संशयितांकडे एक पर्याय आहे: स्वत: ला फोटो काढण्याची किंवा गुन्ह्यासाठी औपचारिकपणे आरोप लावण्याची परवानगी द्या. स्टोअरला भेट देण्याच्या बंदीसह चोराला स्वातंत्र्य मिळते आणि त्याचा फोटो अधिकृतपणे डेटाबेसमध्ये समाविष्ट केला जातो. लोकांच्या प्रतिमा असलेल्या फायली एन्क्रिप्ट केलेल्या आहेत आणि फक्त सिस्टमच्या मालकासाठी प्रवेशयोग्य आहेत.

ओळखीतून कोणाला फायदा होतो?

बहुतांश दुकानांमध्ये आधीच सीसीटीव्ही कॅमेरे बसवले आहेत. व्हिडिओ विश्लेषणासाठी, हार्डवेअर अपडेट आवश्यक नाही - फक्त क्लाउड सेवेशी कनेक्ट करा. आणि Ivideon व्हिडिओ विश्लेषण सेवेसह, प्रवेशासाठी व्यावहारिकपणे कोणताही अडथळा नाही. उपाय खर्च 1 रूबल प्रति कॅमेरा कोणत्याही उद्योजकाला सॉफ्टवेअरमध्ये प्रवेश देते.

किरकोळ विक्रेत्यांचा चेहरा ओळखण्याचे तंत्रज्ञान वापरण्याचा मुख्य हेतू चोरी रोखणे हा आहे. त्यानुसार दिले नॅशनल रिटेल फाऊंडेशनच्या मते, एकट्या यूएसमध्ये, 1,33 मधील सर्व वस्तूंपैकी सुमारे 2017% चोरीमुळे हरवल्या - $46,8 बिलियन पेक्षा कमी नुकसान झाले नाही.

फेशियल रेकग्निशन टेक्नॉलॉजी 30% पेक्षा जास्त शॉपलिफ्टिंग कमी करते.

बर्याचदा नुकसानीचे प्रमाण दुय्यम घटकांद्वारे प्रभावित होते: कर्मचार्यांची निष्काळजीपणा, सुरक्षा सेवेचे खराब प्रशिक्षण, पैसे वाचवण्याची इच्छा. या आणि इतर समस्या कॅमेरा आणि क्लाउड तंत्रज्ञान वापरून सोडवल्या पाहिजेत.

चेहर्यावरील ओळख प्रणाली "काळ्या" सूचीसह द्रुत कार्य सुलभ करते: ते क्लायंटच्या फोटोची अविश्वसनीय चेहर्‍यांच्या डेटाबेसशी तुलना करते आणि जर जुळत असेल तर, सुरक्षा रक्षकांना संबंधित चेतावणी पाठवते.

विश्लेषणात्मक सॉफ्टवेअर स्टोअरची सुरक्षा लक्षणीयरीत्या वाढवते. अनुभवी चोर कॅमेर्‍यांचे "ब्लाइंड स्पॉट्स" लक्षात घेण्यास सक्षम आहे. या प्रकरणात, रक्षक त्याच्या फोनचा वापर करून संशयिताचा फोटो घेऊ शकतो आणि नंतर ती व्यक्ती डेटाबेसमध्ये आहे की नाही हे तपासू शकतो.

ब्रँड बर्याच काळापासून मोबाइल मार्केटिंग वापरत आहेत - एसएमएस पाठवणे, पुश सूचना आणि लक्ष्यित जाहिराती दाखवणे. पारंपारिक किरकोळ विक्रीसाठी, ओळख प्रणाली ऑनलाइन विक्रेत्यांना कुकीजसह प्राप्त झालेल्या समान संधी प्रदान करतात.

चोर ओळखण्यासाठी वापरलेले हेच प्लॅटफॉर्म किरकोळ विक्रेत्यांना हे शोधण्यात मदत करत आहे की कोणते स्टोअरफ्रंट खरेदीदारांना आकर्षित करण्यासाठी चांगले आहेत. ओळख प्रणाली स्टोअरच्या प्रवेशद्वारावर व्हीआयपी क्लायंट ओळखण्यास मदत करते. CRM कडील डेटा वापरून, विक्रेता त्वरीत क्लायंटला फायदेशीर ऑफर देऊ शकतो.

सोल इंटरनॅशनल फायनान्शियल सेंटरमध्ये, माहितीचे कॅमेरे रिअल टाइममध्ये उभे आहेत परिभाषित व्यक्तीचे वय आणि लिंग आणि ओळखलेल्या पॅरामीटर्सनुसार जाहिरात ऑफर करा

ग्राहक माहिती विक्री वाढवण्यासाठी आणि प्रेक्षकांच्या गरजा मोजण्यासाठी एक शक्तिशाली साधन सक्रिय करते. कॅमेरे तुम्हाला विशिष्ट अभ्यागतासाठी त्याच्या लिंग, वय आणि भावनिक स्थितीनुसार व्हिडिओ जाहिरातींचे प्रदर्शन सानुकूलित करण्यात मदत करतील आणि जाहिरातींच्या परिणामकारकतेची गणना करण्यासाठी डेटा प्रदाता देखील बनतील.

किरकोळ विक्रेत्यांसाठी वरील संधी अनेकदा त्रासदायक जाहिरातींच्या आवाजासारख्या वाटतात. "नफा वाढ" आणि "प्रेक्षकांच्या गरजा" बद्दल शोधनिबंध बाजारात कोणत्याही IT साधनासह - ERP पासून इलेक्ट्रॉनिक किंमत टॅगपर्यंत. कृत्रिम बुद्धिमत्ता आणि भविष्यातील तंत्रज्ञानाबद्दल शुद्ध विपणनापेक्षा चेहर्यावरील ओळख प्रणालीमध्ये आणखी काही आहे का? विद्यमान स्टोअरमध्ये वास्तविक प्रणाली वापरण्याच्या उदाहरणांद्वारे या प्रश्नाचे उत्तर देऊ या.

"फील्डमध्ये काम करा": जो वास्तविक परिस्थितीत चेहरे ओळखतो

7-Eleven ही जगातील सर्वात मोठी किरकोळ साखळी आहे, ती Seven-Eleven जपानच्या व्यवस्थापनाखाली 36 देशांमध्ये 000 हून अधिक लहान स्टोअर्स चालवते. अलीकडे कंपनीने स्थापित त्याच्या 11 स्टोअरमध्ये सॉफ्टवेअर. किरकोळ नेटवर्कमध्ये चेहर्यावरील ओळख आणि वर्तन विश्लेषण तंत्रज्ञानाचा वापर लॉयल्टी कार्ड धारकांना ओळखण्यासाठी, ग्राहकांच्या रहदारीवर लक्ष ठेवण्यासाठी आणि गोदामांमधील वस्तूंच्या यादीची पातळी निश्चित करण्यासाठी केला जातो.

Saks ही शतकानुशतके जुनी प्रीमियम रिटेल साखळी आहे जी सध्या जगातील सर्वात जुन्या कंपन्यांपैकी एक (1670 मध्ये स्थापित), हडसन बे कंपनीच्या मालकीची आहे. व्हिडिओ विश्लेषण द्वारे वापरले Saks येथे प्रामुख्याने चोरी टाळण्यासाठी. हे सॉफ्टवेअर संशयित शॉपलिफ्टर्सचे फोटो ओळखल्या जाणाऱ्या दुकानदारांच्या डेटाबेसमध्ये तपासते. कॅमेरे नेटवर्क केलेले आहेत त्यामुळे परिणाम न्यूयॉर्कमधील Saks मुख्यालयात पाहता येतील.

गार्डियनच्या मते, युरोपमधील प्रीमियम स्टोअर्स आणि हॉटेल्स नियमितपणे व्हीआयपी आणि सेलिब्रिटींचा मागोवा घेण्यासाठी फेशियल रिकग्निशन तंत्रज्ञानाचा वापर करतात जेणेकरून त्यांना शक्य तितका सर्वोत्तम अनुभव मिळेल.

यूएसए मध्ये, बर्गर चेन कॅलीबर्गर वापरते निष्ठा कार्यक्रमात चेहर्यावरील ओळख तंत्रज्ञान. परस्परसंवादी किओस्क ग्राहकांना “ओळखते”, ऑर्डर लक्षात ठेवते आणि आवडते पदार्थ ऑफर करते आणि चेहऱ्याच्या ओळखीसह पेमेंट स्वीकारते.

मोबाइल अॅप्स, रिवॉर्ड पॉइंट्स आणि क्रेडिट कार्ड वापरण्यात अडचण येऊ शकणार्‍या ज्येष्ठांसाठी रिवॉर्ड प्रोग्राममध्ये प्रवेश करण्याचा अडथळा ही प्रणाली दूर करते.

फेशियल रेकग्निशन सिस्टीम आशियामध्ये मोठ्या प्रमाणावर वापरल्या जातात, विशेषत: चीनमध्ये, जिथे त्यांचा वापर अन्नासाठी पैसे देण्यासाठी, एटीएममधून पैसे काढण्यासाठी किंवा कर्ज काढण्यासाठी केला जातो. चीनमध्ये चेहर्यावरील ओळखीची अचूकता मानवी डोळ्याच्या क्षमतेपेक्षा जास्त आहे. हे चीनच्या 2D ते 3D कडे मोठ्या प्रमाणावर झालेल्या संक्रमणामुळे देखील आहे.

पहिल्या प्रकरणात, अल्गोरिदम विश्लेषणासाठी डेटाबेसमध्ये जमा केलेल्या द्विमितीय प्रतिमा वापरतात. 3D ओळख पुनर्रचित XNUMXD प्रतिमांचे विश्लेषण करते आणि जास्त अचूकता दर्शवते. चीनमध्ये, चेहर्यावरील स्कॅनिंगचा वापर खरेदी करण्यासाठी केला जाऊ शकतो (उदाहरणार्थ, KFC मधील ऑर्डरसाठी पैसे द्या), पेमेंट करा आणि इमारतींमध्ये प्रवेश करा.

Alipay ला हसणे आवश्यक आहे, जेणेकरुन पेमेंट रेकग्निशन सिस्टमला समजेल: त्याच्या समोर एक छायाचित्र नाही, तर एक जिवंत व्यक्ती आहे. असा दावा केला जातो की अलीपेची फसवणूक करणे अशक्य आहे: केसांचा रंग बदलणे, मेकअप करणे किंवा विग वापरणे काहीही बदलत नाही. प्रणाली विशिष्ट वैशिष्ट्यांचा एक संच वापरते जी चेहऱ्याची भूमिती आणि त्यावरील विशिष्ट बिंदूंचे स्थान विचारात घेते.

निष्कर्ष

चेहरा ओळखण्याच्या तंत्रज्ञानामध्ये पाश्चात्य कंपन्या आणि चीन यांच्या थेट गुंतवणुकीचे प्रमाण प्रचंड आहे. तथापि, रशियामध्ये अशा प्रकल्पांची अंमलबजावणी ही काळाची बाब आहे. मोठ्या व्यावसायिक कंपन्या आधीच फायदे आणि आर्थिक परिणाम समजतात. जर आपण चेहर्यावरील ओळख एक उत्पादन म्हणून विचारात घेतले तर, हे समजून घेणे महत्त्वाचे आहे की प्रत्येक व्यवसाय विभागाची स्वतःची वैशिष्ट्ये आहेत, किंमतीसह. एंटरप्राइझ जितका मोठा असेल तितके अधिक कॅमेरे आणि विश्लेषण मॉड्यूल आवश्यक असू शकतात. मोठ्या व्यवसायांसाठी सोल्यूशन्स नेहमीच जटिल सानुकूलित प्रकल्प असतात आणि सानुकूलित करण्यासाठी अतिरिक्त निधी आवश्यक असतो. कनेक्टेड फेशियल रेकग्निशन मॉड्युलसह मध्यम आणि लहान व्यवसाय एका कॅमेर्‍याने सहज जाऊ शकतात. या प्रकरणात, समाधानाची किंमत क्लाउड व्हिडिओ पाळत ठेवणे वापरण्याशी तुलना करता येते.

स्त्रोत: www.habr.com