新闻中心

EEPW首页 > 智能计算 > 业界动态 > 超深度学习在人脸识别中的应用优势

超深度学习在人脸识别中的应用优势

作者: 郭淳学时间:2019-01-08来源:电子产品世界收藏

  作者:中国嵌入式系统产业联盟副理事长兼秘书长 郭淳学

本文引用地址:http://www.eepw.com.cn/article/201901/396455.htm

      当前算法普遍采用由国外大公司垄断的深度学习(Deep Learning DL)算法。如将新一代人工智算法(Super Deep Learning SDL)应用于中,将会颠覆常规的算法,创新出高准确率的新一代人脸身份识别系统。

  作为当前人工智能主流算法的深度学习(DL),在人脸识别中的应用存在如下问题:

  1. 深度学习(DL)算法属于概率映射模型,需要将随机变量的所有状态映射到数据集中,然而在人脸识别的应用中识别对象的学习数据有限,不能很好的发挥深度学习的作用。

  2.深度学习(DL)模型是基于传统的神经网络技术,在数据训练上需要用穷举法,但人脸识别不可能达到无穷次训练获得最佳解。因此,深度学习模型存在着黑箱问题,使系统不透明。

  3.深度学习(DL)的应用效果主要依赖于数据集的规模,扩大数据集的规模要增加网络中间层的数量,因每增加一中间层,系统复杂度要增加一个指数,所以增加数据集的规模有限。

  4.深度学习(DL)在人脸识别中仅对人脸的五官位置的不同抽出特征。由于复杂的动态场景,图像失真严重,图像精度有限、五官位置表达人脸的全部信息不足等原因,常出现识别错误。

  针对深度学习(DL)存在的缺陷研制的新一代人工智能(SDL)模型,引用目标函数概率分布的模型,将深度学习(DL)对目标函数的随机分量需用百万次的训练,改变为只通过5—10次小数据训练,就可把人脸识别的特征信息抽出。将系统不透明存在的黑箱问题,改变为系统可分析,不存在黑箱问题的模型。将深度学习系统需要庞大的硬件支持、处理效率低状况,改变为系统只需要较少硬件支持、还提高处理效率,可以大大节省硬件费用和空间。

  (SDL)模型导入一种即可增加特征向量的数据规模,是不会导致系统复杂度提高很多的新一代的人工智能模型。对人脸识别特征抽出不仅在空域上,同时在时域上也进行高密度的信息抽出,这就很容易获得深度学习(DL)的人脸识别达不到的:复杂动态场景下人脸识别高有效检出率和复杂动态场景下更正确识别率等高水准的技术性能。

  智慧城市、智慧园区、公安、安保等信息化建设正在推动高准确度人脸身份识别系统市场快速增长。同时,替换已经安装使用、但准确度达不到发展需求的人脸身份识别系统的数量也在大量增长。而且,用户对识别准确度和超短时间识别需求也会不断提高。因此,高准确度的人脸识别技术在人脸身份识别系统的研制工作中,会有很大的发展空间和很高的经济效益前景。高准确度人脸身份识别系统的广泛应用,因在快速寻找人、核查人的效率和准确方面的突出功效,也将会产生非常大的政治和社会效益。

  值的一提的是,这一创新的人脸识别技术采用的是新一代人工智能超深度学习(SDL)算法,该算法与当前人工智能主流算法深度学习(DL)一样是人工智能的通用算法,因此,可以广泛应用在人脸识别以外的许多人工智能项目中。所以,如果新一代人工智能超深度学习(SDL)算法的效果得到确认,不仅对我国的人脸识别应用是一个巨大的贡献,也将在世界新一代人工智能领域中树立起我国自主知识产权的人工智能算法的主导地位,其意义也将会十分重大。



评论

技术专区

关闭