Комментарии 5
читается достаточно легко, спасибо, приятно видеть такие публикации
Добрый день!
Интересная статья с точки зрения методов обучения сетей.
Однако по ходу прочтения статьи возникло несколько вопросов,
буду благодарен, если сможете на них ответить:
1) Как решается вопрос искажения контуров лица, ведь камера часто расположена "где-то там снизу" и в процессе нормализации контур лица может исказиться до неприемлемого уровня.
Причем пользователь, не являясь экспертом, может даже не понять что не так.
2) Поскольку речь идет о работе фронтальной камеры, то как решается вопрос фрода данных, например попытка считывания лица с фотографии?
3) С учетом закона о хранении биометрических данных, как проходит оценка лица пользователя услуги?
Получается, что любой запрос должен без вариантов проходить через сервер и мобильное устройство выполняет лишь роль UI без фактической обработки данных на уровне железа?
Добрый день! Спасибо за ваши вопросы!
1) Для приведения лица к стандартному виду в распознавании лиц используются различные алгоритмы выравнивания. Наиболее популярным подходом является поиск на лице нескольких опорных точек с последующим подбором преобразования изображения, которое переведет эти точки в места, где мы ожидаем их найти на «среднем» выровненном лице. Также существуют методы выравнивания, использующие 3D представление лица.
Чем большее разнообразие сложных ракурсов присутствовало в данных во время обучения сети для распознания лиц, тем лучше она будет справляться с некооперативными условиями съемки лица.
2) Для противодействия различным видам мошенничества решения VisionLabs используют технологию Liveness, которая позволяет удостовериться, что перед камерой находится живой человек. Надежность OneShot Liveness проверена на практике и подтверждена независимыми международными экспертами. Промышленная версия продукта прошла тестирование компании iBeta на соответствие стандарту ISO 30107-3 (уровни 1 и 2). В ходе тестирования было совершено более 3300 попыток взлома системы OneShot Liveness, но все они оказались неудачными — 100% атак были предотвращены.
3) По 572-ФЗ биометрические вектора (слепки, дескрипторы) должны храниться исключительно в ГИС ЕБС. Однако с согласия человека их копии могут быть переданы в коммерческие биометрические системы (организации, аккредитованные Минцифрой для работы с биометрией). Таким образом, если сервис работает через КБС, то сравнение биометрических векторов происходит на её серверах, если через ГИС ЕБС – то на серверах ЕБС.
непонятно, почему определение метрики FPR в статье называется "кол-во неправильных классификаций к общему числу", а в таблице обратная зависимость, т.е. у самой точной чети самый высокий FPR
В таблицах приведены значения TPR при различных фиксированных низких значениях FPR, что соответствует крайней левой области ROC-кривой. Чем больше метрика, тем лучше модель.
Оптимизируя TPR в этих точках FPR, мы добиваемся того, что в реальных приложениях на практике наши алгоритмы будут иметь очень низкую вероятность дорогостоящих false positive ошибок - авторизовать несанкционированных пользователей, при этом сохранив высокую точность распознавания легитимных пользователей.
Real-time-распознавание лиц: методы обучения быстрых и точных моделей для работы на мобильных девайсах