မျက်နှာမှတ်သားမှုစနစ်များကို အနှောင့်အယှက်ဖြစ်စေရန်အတွက် ဓာတ်ပုံများကို သိမ်မွေ့စွာ ကွဲလွဲစေသည့် နည်းပညာ

ဓာတ်ခွဲခန်းမှ သုတေသီများ သဲ ချီကာဂိုတက္ကသိုလ်မှ toolkit ကိုတီထွင်ခဲ့သည်။ fawkes အကောင်အထည်ဖော်မှုနှင့်အတူ နည်းလမ်း ဓာတ်ပုံများကို ပုံပျက်စေခြင်း၊ မျက်နှာမှတ်မိခြင်း နှင့် အသုံးပြုသူ သက်သေခံစနစ်များကို လေ့ကျင့်ပေးခြင်းအတွက် ၎င်းတို့၏အသုံးပြုမှုကို တားဆီးခြင်း။ Pixel အပြောင်းအလဲများကို လူသားများက မြင်သောအခါတွင် မမြင်နိုင်သော်လည်း စက်သင်ယူမှုစနစ်များကို လေ့ကျင့်ရန်အတွက် အသုံးပြုသည့်အခါ မှားယွင်းသော မော်ဒယ်များဖွဲ့စည်းခြင်းကို ဖြစ်ပေါ်စေပါသည်။ ကိရိယာတန်ဆာပလာကုဒ်ကို Python နှင့် ရေးသားထားသည်။ ပုံနှိပ်ထုတ်ဝေ BSD လိုင်စင်အောက်တွင်။ စည်းဝေးပွဲများ ပြင်ဆင် Linux၊ macOS နှင့် Windows အတွက်။

လူမှုကွန်ရက်များနှင့် အခြားအများပြည်သူပလက်ဖောင်းများပေါ်တွင် မထုတ်ဝေမီ အဆိုပြုထားသည့် အသုံးဝင်ပုံများနှင့် ဓာတ်ပုံများကို စီမံဆောင်ရွက်ခြင်းသည် သုံးစွဲသူမျက်နှာအား မှတ်သားမှုစနစ်များကို လေ့ကျင့်ရန်အတွက် အရင်းအမြစ်တစ်ခုအဖြစ် ဓာတ်ပုံဒေတာကို အသုံးပြုခြင်းမှ ကာကွယ်နိုင်မည်ဖြစ်သည်။ အဆိုပြုထားသော အယ်လဂိုရီသမ်သည် မျက်နှာမှတ်မိခြင်းကြိုးပမ်းမှု 95% ကို ကာကွယ်ပေးသည် (Microsoft Azure recognition API၊ Amazon Rekognition နှင့် Face++ အတွက် ကာကွယ်မှုထိရောက်မှုသည် 100%) ဖြစ်သည်။ ထို့အပြင် အနာဂတ်တွင် utility မှ မပြုပြင်မွမ်းမံထားသော မူရင်းဓာတ်ပုံများကို ပုံပျက်နေသော ဓာတ်ပုံများကို အသုံးပြု၍ လေ့ကျင့်ထားပြီးသော မော်ဒယ်တွင် အသုံးပြုမည်ဆိုပါက၊ အသိအမှတ်ပြုမှု မအောင်မြင်သည့်အဆင့်သည် အတူတူပင်ဖြစ်ပြီး အနည်းဆုံး 80% ရှိပါသည်။

နည်းလမ်းသည် “ရန်ဘက်နမူနာများ” ၏ ဖြစ်စဉ်များအပေါ် အခြေခံထားခြင်းဖြစ်ပြီး အနှစ်သာရအားဖြင့် ထည့်သွင်းမှုဒေတာတွင် အသေးစားပြောင်းလဲမှုများသည် အမျိုးအစားခွဲခြင်းဆိုင်ရာ ယုတ္တိဗေဒတွင် သိသိသာသာပြောင်းလဲမှုများကို ဖြစ်ပေါ်စေနိုင်ခြင်းကြောင့်ဖြစ်သည်။ လက်ရှိတွင်၊ “ဆန့်ကျင်ဘက်ဥပမာများ” ၏ဖြစ်စဉ်သည် စက်သင်ယူမှုစနစ်များတွင် မဖြေရှင်းနိုင်သော အဓိကပြဿနာများထဲမှတစ်ခုဖြစ်သည်။ အနာဂတ်တွင်၊ ဤအားနည်းချက်ကင်းသော မျိုးဆက်သစ် စက်သင်ယူမှုစနစ်များ ထွက်ပေါ်လာရန် မျှော်လင့်ထားသော်လည်း အဆိုပါစနစ်များသည် ဗိသုကာပညာနှင့် မော်ဒယ်များတည်ဆောက်ခြင်းအတွက် သိသာထင်ရှားသောပြောင်းလဲမှုများ လိုအပ်မည်ဖြစ်သည်။

ဓာတ်ပုံများကို စီမံဆောင်ရွက်ရာတွင် ပုံတွင် pixels (အစုအစည်းများ) ပေါင်းစပ်ထည့်သွင်းခြင်းမှ ဆင်းသက်လာကာ၊ ပုံတွင် အရာဝတ္ထု၏ လက္ခဏာရပ်များအဖြစ် နက်နဲသော စက်သင်ယူမှု အယ်လဂိုရီသမ်များက ယူဆကာ အမျိုးအစားခွဲရာတွင် အသုံးပြုသည့် အင်္ဂါရပ်များကို ပုံပျက်သွားစေပါသည်။ ထိုသို့သောပြောင်းလဲမှုများသည် ယေဘူယျသတ်မှတ်မှုမှ မထင်ရှားဘဲ ရှာဖွေဖော်ထုတ်ရန်နှင့် ဖယ်ရှားရန် အလွန်ခက်ခဲပါသည်။ မူရင်းနှင့် မွမ်းမံထားသော ပုံများနှင့်ပင်၊ မည်သည့် မူရင်းနှင့် ပြုပြင်ထားသော ဗားရှင်းဖြစ်သည်ကို ဆုံးဖြတ်ရန် ခက်ခဲသည်။

မိတ်ဆက်ထားသော ပုံမမှန်မှုများသည် စက်သင်ယူမှုမော်ဒယ်များ၏ မှန်ကန်သောတည်ဆောက်မှုကို ချိုးဖောက်သည့် ဓာတ်ပုံများကို ဖော်ထုတ်ရန် ရည်ရွယ်သည့် တန်ပြန်အစီအမံများ ဖန်တီးမှုကို မြင့်မားစွာခုခံကြောင်း ပြသသည်။ မှုန်ဝါးခြင်း၊ ဆူညံသံများထည့်ခြင်း သို့မဟုတ် pixel ပေါင်းစပ်မှုများကို ဖိနှိပ်ရန် ပုံတွင် filter များအသုံးပြုခြင်းတို့ကို အခြေခံသည့်နည်းလမ်းများအပါအဝင် ထိရောက်မှုမရှိပါ။ ပြဿနာမှာ filters များကိုအသုံးပြုသောအခါ၊ အမျိုးအစားခွဲခြားမှုတိကျမှုသည် pixel ပုံစံများကိုရှာဖွေတွေ့ရှိနိုင်မှုထက်ပိုမိုမြန်ဆန်လာပြီး၊ ပုံပျက်မှုများကို နှိမ်နင်းလိုက်သည့်အဆင့်တွင်၊ အသိအမှတ်ပြုမှုအဆင့်ကို လက်ခံနိုင်ဖွယ်မရှိနိုင်တော့ပါ။

ကိုယ်ရေးကိုယ်တာကာကွယ်ရန်အတွက် အခြားသောနည်းပညာအများစုကဲ့သို့ပင်၊ အဆိုပြုထားသောနည်းပညာကို အသိအမှတ်ပြုမှုစနစ်များတွင် အများသူငှာပုံများကို ခွင့်ပြုချက်မရှိဘဲ အသုံးပြုခြင်းကို တိုက်ဖျက်ရန်သာမက တိုက်ခိုက်သူများကို ဖုံးကွယ်ရန်ကိရိယာတစ်ခုအဖြစ်လည်း အသုံးပြုနိုင်သည်။ အသိအမှတ်ပြုခြင်းဆိုင်ရာ ပြဿနာများသည် အဓိကအားဖြင့် ၎င်းတို့၏ မော်ဒယ်များကို လေ့ကျင့်ရန် ခွင့်ပြုချက်မရှိဘဲ အချက်အလက်စုဆောင်းသည့် ပြင်ပဝန်ဆောင်မှုများကို ထိခိုက်စေနိုင်သည်ဟု သုတေသီများက ယုံကြည်ကြသည် (ဥပမာ၊ Clearview.ai ဝန်ဆောင်မှုသည် မျက်နှာမှတ်မိမှုဒေတာဘေ့စ်ကို ပံ့ပိုးပေးသည်၊ တည်ဆောက်ခဲ့သည်။ လူမှုကွန်ရက်များမှ ဓါတ်ပုံပေါင်း ၃ ဘီလီယံခန့်ကို ညွှန်းကိန်းများ ပြုလုပ်ထားသည်။) အကယ်၍ ယခုထိုဝန်ဆောင်မှုများစုစည်းမှုတွင် အများအားဖြင့် ယုံကြည်စိတ်ချရသောပုံများပါရှိသည်ဆိုလျှင် Fawkes ကို တက်ကြွစွာအသုံးပြုခြင်းဖြင့် အချိန်ကြာလာသည်နှင့်အမျှ၊ ပုံပျက်နေသောဓာတ်ပုံအစုများသည် ပိုကြီးလာပြီး မော်ဒယ်သည် ၎င်းတို့အား အမျိုးအစားခွဲခြင်းအတွက် ပိုမိုဦးစားပေးစဉ်းစားလာမည်ဖြစ်သည်။ ယုံကြည်စိတ်ချရသော သတင်းရင်းမြစ်များကို အခြေခံ၍ တည်ဆောက်ထားသည့် ထောက်လှမ်းရေးအေဂျင်စီများ၏ အသိအမှတ်ပြုမှုစနစ်များသည် ထုတ်ဝေသည့်ကိရိယာများကြောင့် ထိခိုက်မှုနည်းမည်ဖြစ်သည်။

ရည်ရွယ်ချက်နှင့် နီးစပ်သော လက်တွေ့ကျသော တိုးတက်မှုများကြားတွင် ကျွန်ုပ်တို့သည် ပရောဂျက်ကို မှတ်သားနိုင်ပါသည်။ ကင်မရာ Adversaria, ဖွံ့ဖြိုးဆဲ မိုဘိုင်း app ပုံများသို့ထည့်ရန် Perlin အသံစက်သင်ယူမှုစနစ်များဖြင့် မှန်ကန်သော အမျိုးအစားခွဲခြားခြင်းကို တားဆီးထားသည်။ ကင်မရာ Adversaria ကုဒ် ရရှိနိုင် EPL လိုင်စင်အောက်တွင် GitHub နောက်ထပ် ပရောဂျက်တစ်ခု မမြင်နိုင်သောရင်ခွင် အထူးပုံစံ မိုးကာအင်္ကျီများ၊ တီရှပ်များ၊ ဆွယ်တာများ၊ ဦးထုပ်များ၊ ပိုစတာများ သို့မဟုတ် ဦးထုပ်များ ဖန်တီးခြင်းဖြင့် စောင့်ကြည့်ကင်မရာများမှ အသိအမှတ်ပြုမှုကို တားဆီးရန် ရည်ရွယ်ပါသည်။

source: opennet.ru