原标题：中科院乔宇博士：深度学习加快人脸辨认迸发，但仍有局限性
许多的生物辨认技能其实早已有之，但为何近几年特别是像人脸辨认和语音辨认等技能为什么得以快速的迸发？在9月20日由芯智讯主办的“2019生物辨认技能与使用论坛”上，中科院深圳先进技能研究院数字所所长乔宇博士表明，这首要得益于深度学习技能的推进，加快了相关技能在辨认准确率上大幅提高，乃至超过了人类。
▲中科院先进技能研究院数字所所长乔宇博士
比方在计算机视觉范畴，得益于ImageNet的推出，在2010-2015年间，图画辨认准确率得到了十分大的提高。
从上图咱们能够看到，2015年之时，ResNet（152层）网络所能到达的ImageNet的分类使命过错率现已降至了3.5%，超过了人类的水平（人的过错率是5.1%）。
详细到人脸辨认方面，首要有两个使命：一是1：1人脸比对，比方高铁站，身份证和人脸，进行1：1的比对，承认是不是同一个人；二是1：N比对，这是动态人脸辨认，比方在监控得到一张人脸相片，跟公安敏感数据库里的人进行比对，判别这是不是在逃的嫌疑犯。明显后者使命更难。
乔宇博士举例称，“以某区域的关口为例，每天大概有6万人通关。2014年时的技能，均匀每三个小时体系或许就会有一次误判；到了2015年，均匀两天会呈现一次误判；2016年时，现已下降至均匀一个月才会呈现一次误判。而依照现在的技能，体系每半年或许才会有一个误判。这意味着你持假证件成功通关的概率，根本比购买彩票中头奖的概率还低。”
而在1：N人脸辨认方面，也是相同如此。乔宇博士表明，“5、6年前人脸辨认的使用更多是用于公司的打卡，那时候几百人、几千人才会有比较高的辨认率。现在技能能够支撑做城市级的人脸辨认，能够应对深圳数千万人口的人脸辨认，这背面是技能巨大的前进”。
能够到达如此之高的辨认率，除了网络结构，Loss函数的规划也很要害。
“2016年咱们实验室做了一个办法——中心丢失Center Loss，被ECCV2016年接纳。单模型能够做到99%辨认率以上的模型，并且开源，被广泛使用。”乔宇博士十分骄傲的表明。
其他，针对现在比较热的3D人脸辨认，乔宇博士表明，现在中科院深圳先进技能研究院也在做“根据单幅图画康复三维人脸结构”。现在的算法能够对人脸上的皱纹、胡须等细节纹路有比较好康复作用，支撑杂乱的表情和杂乱的姿势。
现在，深度学习随同大数据的使用，性能在不断提高。可是，深度学习在许多方面也有其局限性。
乔宇博士表明，比方“小数据+异构多态”，许多数据是不规则、不完全，或许是异构多态，能够看到深度学习面对很大的瓶颈；另一方面，深度学习往往靠数据和算力进行提高，推理的才能很差，无法很好的运用常识和常识。有时候，深度神经网络会犯愚笨的过错。其他，现在许多深度模型许多是黑箱的，其可靠性、可解决性比较差。在医学使用中，不只要告知确诊的成果，并且患者、医师往往期望知道深度网络根据什么理由做判别。最终是深度学习的鲁棒性和泛化才能有很大的缺点。如上图中的小狗，比方把图片上的一些像素改动，机器或许就会把它判别为其他物体。再比方，本来是一只山公的图片，假如在他前面放一辆摩托车，机器或许会误认为这是一个人，为什么？由于他看了很多摩托车上都是人的相片。
修改：芯智讯-浪客剑
责任修改：
