s********k
发帖数: 6180 | 1 难道还是用CNN的网络做？但是它要求的速度多层CNN即使在serving的阶段也没法完全
满足啊？另外不知道那个dedicated的chip level support在做到A11里面还是也用了
GPU，估计要想快应该必须要GPU？ |
s********k
发帖数: 6180 | 2 后端专门针对CPU或者GPU的优化，比如XLA这样的，Apple应该也有一套，不过不知道名
字，应该比ML kits更底层，优化更厉害，甚至估计很多NN的指令我觉得直接写成微代码
【在 s********k 的大作中提到】
: 难道还是用CNN的网络做？但是它要求的速度多层CNN即使在serving的阶段也没法完全
: 满足啊？另外不知道那个dedicated的chip level support在做到A11里面还是也用了
: GPU，估计要想快应该必须要GPU？
|
g****t
发帖数: 31659 | 3 这个就是高维的指纹识别类似的吧。不需要Ann.
就是看相似度应该就可以了。难点可能是面部特征点这些domain knowledge.
总之我不认为这和图片/label是同类问题。 |
s********k
发帖数: 6180 | 4 今天发布会说了是训练一个NN来做的，相似度是最后一步计算，之前的特征还是靠NN来
做吧
【在 g****t 的大作中提到】
: 这个就是高维的指纹识别类似的吧。不需要Ann.
: 就是看相似度应该就可以了。难点可能是面部特征点这些domain knowledge.
: 总之我不认为这和图片/label是同类问题。
|
w***g
发帖数: 5958 | 5 face这点大小的图片, 手机CPU计算毫无压力.
【在 s********k 的大作中提到】
: 难道还是用CNN的网络做？但是它要求的速度多层CNN即使在serving的阶段也没法完全
: 满足啊？另外不知道那个dedicated的chip level support在做到A11里面还是也用了
: GPU，估计要想快应该必须要GPU？
|
s********k
发帖数: 6180 | 6 加了3D的不小吧，而且延迟要求非常高，还是能满足？
【在 w***g 的大作中提到】
: face这点大小的图片, 手机CPU计算毫无压力.
|
s********k
发帖数: 6180 | 7 A11 Bionic 这个Lib应该就是个独特编译器？
【在 s********k 的大作中提到】
: 加了3D的不小吧，而且延迟要求非常高，还是能满足？
|
g****t
发帖数: 31659 | 8 有可能把图片输入到一个训练好的nn
然后输出一个vector
然后新图片进来nn
输出另一个vector
这两个vector比较下相似与否
这个提前训练好的nn就是特征提取的作用？
我瞎说的，没看过任何这方面的资料。
但如果这个框架是对的，那不需要什么计算资源。
指纹识别历史悠久，特征点什么的人类已经研究的差不多了。nn可能就是起到挑出来高
敏感度的特征的作用。
: 今天发布会说了是训练一个NN来做的，相似度是最后一步计算，之前的特征还是
靠NN来
: 做吧
【在 s********k 的大作中提到】
: A11 Bionic 这个Lib应该就是个独特编译器？
|
w***g
发帖数: 5958 | 9 我最近刚做了你说的这套比vector的流程。
用caffe做的，并且做了bit encoding，这样出来是bit vector，
用hamming distance。这样配上我的kgraph就可以在海量
人脸数据中快速找相似的人了。
之所以用caffe是因为需要embed到一个C++系统中在没有GPU的
服务器上跑。tensorflow折腾了半天也还没搞定纯C/C++接口。
如你所说，人脸和指纹其实传统技术就已经做的很好了。
但是CNN可以很容易碾压几十年积累下来的传统技术。阿狗阿猫
都可以起一个人脸识别公司。
【在 g****t 的大作中提到】
: 有可能把图片输入到一个训练好的nn
: 然后输出一个vector
: 然后新图片进来nn
: 输出另一个vector
: 这两个vector比较下相似与否
: 这个提前训练好的nn就是特征提取的作用？
: 我瞎说的，没看过任何这方面的资料。
: 但如果这个框架是对的，那不需要什么计算资源。
: 指纹识别历史悠久，特征点什么的人类已经研究的差不多了。nn可能就是起到挑出来高
: 敏感度的特征的作用。
|
w***g
发帖数: 5958 | 10 我随便说的。应该是一个2D的manifold，并且在深度维上没有重叠。
这样其实就是一个1 channel的图片。用红外可以避免不同光照情况下
可见光照片结果不稳定。
从demo看延时确实比较小。目前普通手机的算力，用caffe/tf做到一秒
钟一个小图片没啥问题。如果对着应用场景特定优化，我觉得做到0.2秒
是可行的。CNET那个视频说project出去30K个IR点。如果照片先register
这个点阵，那么CNN输入差不多就是180x180的样子。
牛x的其实还是硬件。
【在 s********k 的大作中提到】
: 加了3D的不小吧，而且延迟要求非常高，还是能满足？
|
|
|
g****t
发帖数: 31659 | 11 例如指纹识别，因为犯罪研究所以人类研究的结果很多。
长期积累的知识，最后人类知道就是那个区域那几个线段或者特征点起到关键的分辨作
用。
ANN海量计算之后，可以快速的发现对分辨最有效的那些特征段和点。
这就像替代人类以前的老办法的一个新的获取知识的approach，让人深思。
更重要的是，我怀疑人脸和指纹的特征点可能不是一成不变的。指纹还好说。
在这个时代，人脸的变化可能只有机器学习或者NN能跟上变化。
传统办法,50年出个结果,无法适应时代的要求。
【在 w***g 的大作中提到】
: 我最近刚做了你说的这套比vector的流程。
: 用caffe做的，并且做了bit encoding，这样出来是bit vector，
: 用hamming distance。这样配上我的kgraph就可以在海量
: 人脸数据中快速找相似的人了。
: 之所以用caffe是因为需要embed到一个C++系统中在没有GPU的
: 服务器上跑。tensorflow折腾了半天也还没搞定纯C/C++接口。
: 如你所说，人脸和指纹其实传统技术就已经做的很好了。
: 但是CNN可以很容易碾压几十年积累下来的传统技术。阿狗阿猫
: 都可以起一个人脸识别公司。
|
g****t
发帖数: 31659 | 12 software tool也很重要
Assuming快速实现研发idea的tool速度慢十倍，这一切都不可能。
项目方向都定不下来.
这就好比没有吊车无法建高楼。
【在 w***g 的大作中提到】
: 我随便说的。应该是一个2D的manifold，并且在深度维上没有重叠。
: 这样其实就是一个1 channel的图片。用红外可以避免不同光照情况下
: 可见光照片结果不稳定。
: 从demo看延时确实比较小。目前普通手机的算力，用caffe/tf做到一秒
: 钟一个小图片没啥问题。如果对着应用场景特定优化，我觉得做到0.2秒
: 是可行的。CNET那个视频说project出去30K个IR点。如果照片先register
: 这个点阵，那么CNN输入差不多就是180x180的样子。
: 牛x的其实还是硬件。
|
m********5
发帖数: 17667 | 13 这玩意儿并不是图像识别那么难的问题，别人是直接得到三维信息，根本不要考虑这样
不变性，那样光照，什么投影畸变，xx不确定性。
直接match一个三维模型就OK了，难度比普通的面部追踪还低
很多程序员，由于狭窄的知识面和生活经验，企图用计算来解决一切遇到的问题，经常
闹出大笑话。让我想到去年发生的一件狗血的事情。
一群CS博士企图用复杂的算法来解决一个自动控制问题，用了接近1k$的工控系统仍然
无法得到满意的效果，于是几个老中提出要上深度学习，要用GPU. 结果最靠谱的还是
我的前上司，也就是大家最不齿的三哥。他凭经验认为这根本就不是什么很难的课题，
于是建议公司把这个打包成一个项目让我提供咨询。结果我们只用了几只探头，一个电
路，10$的单片机就完美解决了问题...
所以大家想问题不要局限在自己那可怜的一坨，解决一个看似困难的问题，最简单的办
法就是得到更多其他方面的信息，成本和结构允许的条件下，从物理上简化问题本身才
是王道。
【在 w***g 的大作中提到】
: 我随便说的。应该是一个2D的manifold，并且在深度维上没有重叠。
: 这样其实就是一个1 channel的图片。用红外可以避免不同光照情况下
: 可见光照片结果不稳定。
: 从demo看延时确实比较小。目前普通手机的算力，用caffe/tf做到一秒
: 钟一个小图片没啥问题。如果对着应用场景特定优化，我觉得做到0.2秒
: 是可行的。CNET那个视频说project出去30K个IR点。如果照片先register
: 这个点阵，那么CNN输入差不多就是180x180的样子。
: 牛x的其实还是硬件。
|
g****t
发帖数: 31659 | 14 cs博士怎么会去看自控的问题，这不是专业不对口吗?
数字控制得EE,ME... phd吧。
能给个算法,这cs phd已经是很厉害了。既然不是同专业的，相当于自己DIY了。
不是自控专业的，发明个PID controller都不可能啊。
回到这个面部识别，match肯定是要match。但就像指纹识别一样，
match哪几个点? 如何做变换找到最敏感的一个vector来做match？
ANN强就强在这里了。
最后，海量产品要求的容错率很低。
实现难度还是很高的。昨天演示出错，aapl股票几分钟跌了几十亿.
【在 m********5 的大作中提到】
: 这玩意儿并不是图像识别那么难的问题，别人是直接得到三维信息，根本不要考虑这样
: 不变性，那样光照，什么投影畸变，xx不确定性。
: 直接match一个三维模型就OK了，难度比普通的面部追踪还低
: 很多程序员，由于狭窄的知识面和生活经验，企图用计算来解决一切遇到的问题，经常
: 闹出大笑话。让我想到去年发生的一件狗血的事情。
: 一群CS博士企图用复杂的算法来解决一个自动控制问题，用了接近1k$的工控系统仍然
: 无法得到满意的效果，于是几个老中提出要上深度学习，要用GPU. 结果最靠谱的还是
: 我的前上司，也就是大家最不齿的三哥。他凭经验认为这根本就不是什么很难的课题，
: 于是建议公司把这个打包成一个项目让我提供咨询。结果我们只用了几只探头，一个电
: 路，10$的单片机就完美解决了问题...
|
m********5
发帖数: 17667 | 15 因为程序员普遍自信心爆棚
CS博士们更是认为可以用有限的低质的数据和简单的物理构架，配合强大的计算来解决
一切现实问题
４轴是个成功的例子，但是多数情况下，类似的办法只能增加系统不稳定性和成本。
【在 g****t 的大作中提到】
: cs博士怎么会去看自控的问题，这不是专业不对口吗?
: 数字控制得EE,ME... phd吧。
: 能给个算法,这cs phd已经是很厉害了。既然不是同专业的，相当于自己DIY了。
: 不是自控专业的，发明个PID controller都不可能啊。
: 回到这个面部识别，match肯定是要match。但就像指纹识别一样，
: match哪几个点? 如何做变换找到最敏感的一个vector来做match？
: ANN强就强在这里了。
: 最后，海量产品要求的容错率很低。
: 实现难度还是很高的。昨天演示出错，aapl股票几分钟跌了几十亿.
|
s********k
发帖数: 6180 | 16 这个至少要两个stage吧，因为是3D，首先要做的是判断开锁的人脸是哪个角度的，然
后再算vector similarity？不过这样的效果好吗？
【在 w***g 的大作中提到】
: 我最近刚做了你说的这套比vector的流程。
: 用caffe做的，并且做了bit encoding，这样出来是bit vector，
: 用hamming distance。这样配上我的kgraph就可以在海量
: 人脸数据中快速找相似的人了。
: 之所以用caffe是因为需要embed到一个C++系统中在没有GPU的
: 服务器上跑。tensorflow折腾了半天也还没搞定纯C/C++接口。
: 如你所说，人脸和指纹其实传统技术就已经做的很好了。
: 但是CNN可以很容易碾压几十年积累下来的传统技术。阿狗阿猫
: 都可以起一个人脸识别公司。
|
s********k
发帖数: 6180 | 17 三维的是训练时候必须要转头，但是真正unlock时候不需要了，三维的做到快速，准确
，低false alarm或者miss detection也不容易啊
【在 m********5 的大作中提到】
: 这玩意儿并不是图像识别那么难的问题，别人是直接得到三维信息，根本不要考虑这样
: 不变性，那样光照，什么投影畸变，xx不确定性。
: 直接match一个三维模型就OK了，难度比普通的面部追踪还低
: 很多程序员，由于狭窄的知识面和生活经验，企图用计算来解决一切遇到的问题，经常
: 闹出大笑话。让我想到去年发生的一件狗血的事情。
: 一群CS博士企图用复杂的算法来解决一个自动控制问题，用了接近1k$的工控系统仍然
: 无法得到满意的效果，于是几个老中提出要上深度学习，要用GPU. 结果最靠谱的还是
: 我的前上司，也就是大家最不齿的三哥。他凭经验认为这根本就不是什么很难的课题，
: 于是建议公司把这个打包成一个项目让我提供咨询。结果我们只用了几只探头，一个电
: 路，10$的单片机就完美解决了问题...
|
m********5
发帖数: 17667 | 18 和图像处理完全是几个数量级的差异
算法基本原理都是不同的，三维match只需要很简单的办法
连70年代的便携硬件都能做到。
【在 s********k 的大作中提到】
: 三维的是训练时候必须要转头，但是真正unlock时候不需要了，三维的做到快速，准确
: ，低false alarm或者miss detection也不容易啊
|
s********k
发帖数: 6180 | 19 具体算法是什么？
【在 m********5 的大作中提到】
: 和图像处理完全是几个数量级的差异
: 算法基本原理都是不同的，三维match只需要很简单的办法
: 连70年代的便携硬件都能做到。
|
m********5
发帖数: 17667 | 20 具体我没有搞过，肯定是有很多幼稚的言论
但是我们以前搞过零件识别，类似的技术
因为是三维数据，所以其实实际大小是已知的，这就可以丢掉很多复杂的东西，然后是
具体三维面结构重建，这个就没有图像的各种投影变换，更没有背景分离的问题。
因此当年即使是零件可以完全翻转过来，还可以有孔洞结构，在重建上造成了一些麻烦
，实际match的时候我们直接就RANSAC, 完全没啥问题
面部虽然比零件表明不规则得多，但是拓扑上讲却简单很多，因此面重建应该极为简单
。另外有效角度的变化也很有限。识别的时候，估计直接用插值就可以用。所谓神经网
络估计只用在粗略修正角度和朝向上，和在曲面重构的时候去除错误的点值。
【在 s********k 的大作中提到】
: 具体算法是什么？
|
|
|
m********5
发帖数: 17667 | 21 不一样的
我觉得根本不是图像识别那一套
不过呢，如果苹果这东西能用十年前的结构做训练
之后此人不论变胖变瘦都能识别的话，那确实得有点功力
现在看来可能不行的。
【在 w***g 的大作中提到】
: 我最近刚做了你说的这套比vector的流程。
: 用caffe做的，并且做了bit encoding，这样出来是bit vector，
: 用hamming distance。这样配上我的kgraph就可以在海量
: 人脸数据中快速找相似的人了。
: 之所以用caffe是因为需要embed到一个C++系统中在没有GPU的
: 服务器上跑。tensorflow折腾了半天也还没搞定纯C/C++接口。
: 如你所说，人脸和指纹其实传统技术就已经做的很好了。
: 但是CNN可以很容易碾压几十年积累下来的传统技术。阿狗阿猫
: 都可以起一个人脸识别公司。
|
g****t
发帖数: 31659 | 22 这个你说的肯定不对。零件识别你有多少种零件？一般车床能做出来的零件
的形状空间的维度是非常低的。你把图纸数字化，写个spec要不了多少字就
可以完全精确的描述一个零件，对吧？这个我有发言权，我大学上课用铅笔
手画过1年的图纸。
柔性机械结构你能识别吗？肯定不行吧？
人脸那是软的。如何把人脸有效的数字化压缩，分类或者提取特征，这种问
题无论从tool还是从技术来讲，现在ann是占上风的技术。
就算是插值，那个面部区域要用小步长，哪个区域用大步长，
这些参数的筛选也都是ann占优。因为可以用ann找出来对识别重要的那些特征关系或者
区域。
【在 m********5 的大作中提到】
: 具体我没有搞过，肯定是有很多幼稚的言论
: 但是我们以前搞过零件识别，类似的技术
: 因为是三维数据，所以其实实际大小是已知的，这就可以丢掉很多复杂的东西，然后是
: 具体三维面结构重建，这个就没有图像的各种投影变换，更没有背景分离的问题。
: 因此当年即使是零件可以完全翻转过来，还可以有孔洞结构，在重建上造成了一些麻烦
: ，实际match的时候我们直接就RANSAC, 完全没啥问题
: 面部虽然比零件表明不规则得多，但是拓扑上讲却简单很多，因此面重建应该极为简单
: 。另外有效角度的变化也很有限。识别的时候，估计直接用插值就可以用。所谓神经网
: 络估计只用在粗略修正角度和朝向上，和在曲面重构的时候去除错误的点值。
|
s********k
发帖数: 6180 | 23 人脸3D还是复杂多了，看了介绍说有几万个采样点，当然最后提取的特征应该会少，但
是包括五官，然后轮廓这些信息还是不少，而且关键是精度要求高，速度要求快。
看演示，训练的时候是采样各个维度方向的，测试的时候要快，演示不是说用了A11
bionic neural engine
不过我怀疑这个东西肯定在你看手机的时候也在偷偷开摄像头抓拍训练。
【在 m********5 的大作中提到】
: 具体我没有搞过，肯定是有很多幼稚的言论
: 但是我们以前搞过零件识别，类似的技术
: 因为是三维数据，所以其实实际大小是已知的，这就可以丢掉很多复杂的东西，然后是
: 具体三维面结构重建，这个就没有图像的各种投影变换，更没有背景分离的问题。
: 因此当年即使是零件可以完全翻转过来，还可以有孔洞结构，在重建上造成了一些麻烦
: ，实际match的时候我们直接就RANSAC, 完全没啥问题
: 面部虽然比零件表明不规则得多，但是拓扑上讲却简单很多，因此面重建应该极为简单
: 。另外有效角度的变化也很有限。识别的时候，估计直接用插值就可以用。所谓神经网
: 络估计只用在粗略修正角度和朝向上，和在曲面重构的时候去除错误的点值。
|
w***g
发帖数: 5958 | 24 能做和做到百万分之一的false positive rate并且还能正常用是有很大的差距的。
RANSAC那些我都做过的，95%识别率底下，FPR做到千分之一可能都要千难万难了。
deformable mesh匹配这种问题都是老大难，现在的技术路线其实也在从组合优化
往deep learning转。
王垠其实就亏在入错行了。他要是折腾deep learning，肯定是一把好手。
不过他应该是看不起我们这些套轮子调参数的。
【在 g****t 的大作中提到】
: 这个你说的肯定不对。零件识别你有多少种零件？一般车床能做出来的零件
: 的形状空间的维度是非常低的。你把图纸数字化，写个spec要不了多少字就
: 可以完全精确的描述一个零件，对吧？这个我有发言权，我大学上课用铅笔
: 手画过1年的图纸。
: 柔性机械结构你能识别吗？肯定不行吧？
: 人脸那是软的。如何把人脸有效的数字化压缩，分类或者提取特征，这种问
: 题无论从tool还是从技术来讲，现在ann是占上风的技术。
: 就算是插值，那个面部区域要用小步长，哪个区域用大步长，
: 这些参数的筛选也都是ann占优。因为可以用ann找出来对识别重要的那些特征关系或者
: 区域。
|
g****t
发帖数: 31659 | 25 这次iPhone X如果不出漏子
那就是ai新的标志事件了
准确度：面部识别达到支付的安全要求
Robustness:几亿用户
这是个马工的好时代
缅怀S Jobs
上一个标志性事件
Siri进iphone第二天帮主去世了
: 能做和做到百万分之一的false positive rate并且还能正常用是有很大的差距
的。
: RANSAC那些我都做过的，95%识别率底下，FPR做到千分之一可能都要千难万难了。
: deformable mesh匹配这种问题都是老大难，现在的技术路线其实也在从组合优化
: 往deep learning转。
: 王垠其实就亏在入错行了。他要是折腾deep learning，肯定是一把好手。
: 不过他应该是看不起我们这些套轮子调参数的。
【在 w***g 的大作中提到】
: 能做和做到百万分之一的false positive rate并且还能正常用是有很大的差距的。
: RANSAC那些我都做过的，95%识别率底下，FPR做到千分之一可能都要千难万难了。
: deformable mesh匹配这种问题都是老大难，现在的技术路线其实也在从组合优化
: 往deep learning转。
: 王垠其实就亏在入错行了。他要是折腾deep learning，肯定是一把好手。
: 不过他应该是看不起我们这些套轮子调参数的。
|
a9
发帖数: 21638 | 26 siri这么多年过去了还跟傻x一样
了。
优化
【在 g****t 的大作中提到】
: 这次iPhone X如果不出漏子
: 那就是ai新的标志事件了
: 准确度：面部识别达到支付的安全要求
: Robustness:几亿用户
: 这是个马工的好时代
: 缅怀S Jobs
: 上一个标志性事件
: Siri进iphone第二天帮主去世了
:
:
: 能做和做到百万分之一的false positive rate并且还能正常用是有很大的差距
|
y*j
发帖数: 3139 | 27 应该就是直接用三维的数据输入到深度学习里进行人脸识别，不是直接的mesh硬匹配。
三维信息比二维的可靠性稳定性要强太多。
王垠折腾深度学习也够呛，感觉这个东西是专门扼杀天才的，如果你认为他是天才的话
。相反程序语言这一行当还在小手工作坊阶段，适合一般的小天才发挥创造，也就是他
津津乐道的奇技淫巧。
：能做和做到百万分之一的false positive rate并且还能正常用是有很大的差距的。
：RANSAC那些我都做过的，95%识别率底下，FPR做到千分之一可能都要千难万难了。
：deformable mesh匹配这种问题都是老大难，现在的技术路线其实也在从组合优化
：往deep learning转。
：王垠其实就亏在入错行了。他要是折腾deep learning，肯定是一把好手。
：不过他应该是看不起我们这些套轮子调参数的。
【在 w***g 的大作中提到】
: 能做和做到百万分之一的false positive rate并且还能正常用是有很大的差距的。
: RANSAC那些我都做过的，95%识别率底下，FPR做到千分之一可能都要千难万难了。
: deformable mesh匹配这种问题都是老大难，现在的技术路线其实也在从组合优化
: 往deep learning转。
: 王垠其实就亏在入错行了。他要是折腾deep learning，肯定是一把好手。
: 不过他应该是看不起我们这些套轮子调参数的。
|
s********k
发帖数: 6180 | 28 Siri那个做语义理解难度感觉比FaceID大多了，不过只要一直开始进步就行
【在 a9 的大作中提到】
: siri这么多年过去了还跟傻x一样
:
: 了。
: 优化
|
s********k
发帖数: 6180 | 29 苹果关键还是软硬件结合做得确实好，收购之前的primesense（给微软kinect做），用
红外和structure light做三维的效果应该很牛逼了
【在 y*j 的大作中提到】
: 应该就是直接用三维的数据输入到深度学习里进行人脸识别，不是直接的mesh硬匹配。
: 三维信息比二维的可靠性稳定性要强太多。
: 王垠折腾深度学习也够呛，感觉这个东西是专门扼杀天才的，如果你认为他是天才的话
: 。相反程序语言这一行当还在小手工作坊阶段，适合一般的小天才发挥创造，也就是他
: 津津乐道的奇技淫巧。
:
: ：能做和做到百万分之一的false positive rate并且还能正常用是有很大的差距的。
: ：RANSAC那些我都做过的，95%识别率底下，FPR做到千分之一可能都要千难万难了。
: ：deformable mesh匹配这种问题都是老大难，现在的技术路线其实也在从组合优化
: ：往deep learning转。
|
y*j
发帖数: 3139 | 30 两手都要硬才是王道。
：苹果关键还是软硬件结合做得确实好，收购之前的primesense（给微软kinect做），
用红外和structure light做三维的效果应该很牛逼了
【在 s********k 的大作中提到】
: 苹果关键还是软硬件结合做得确实好，收购之前的primesense（给微软kinect做），用
: 红外和structure light做三维的效果应该很牛逼了
|
|
|
c*********e
发帖数: 16335 | 31 怎么苹果做脸识别失败了？
【在 s********k 的大作中提到】
: 难道还是用CNN的网络做？但是它要求的速度多层CNN即使在serving的阶段也没法完全
: 满足啊？另外不知道那个dedicated的chip level support在做到A11里面还是也用了
: GPU，估计要想快应该必须要GPU？
|
y*j
发帖数: 3139 | 32 新闻说是因为工作人员帮助设置的时候无意中用了FaceID，两次以上就要用密码解锁。
：怎么苹果做脸识别失败了？
【在 c*********e 的大作中提到】
: 怎么苹果做脸识别失败了？
|
h**********c
发帖数: 4120 | 33 strange attractors, interesting
【在 y*j 的大作中提到】
: 新闻说是因为工作人员帮助设置的时候无意中用了FaceID，两次以上就要用密码解锁。
:
: ：怎么苹果做脸识别失败了？
|
y*j
发帖数: 3139 | 34 Tensorflow 的C/C++ 接口简直就是piece of crap. 这样的东西Google也能拿得出来。
其实它的deployment就是一团糟。
：我最近刚做了你说的这套比vector的流程。
：用caffe做的，并且做了bit encoding，这样出来是bit vector，
：用hamming distance。这样配上我的kgraph就可以在海量
：人脸数据中快速找相似的人了。
：之所以用caffe是因为需要embed到一个C++系统中在没有GPU的
：服务器上跑。tensorflow折腾了半天也还没搞定纯C/C++接口。
：如你所说，人脸和指纹其实传统技术就已经做的很好了。
：但是CNN可以很容易碾压几十年积累下来的传统技术。阿狗阿猫
：都可以起一个人脸识别公司。
【在 w***g 的大作中提到】
: 能做和做到百万分之一的false positive rate并且还能正常用是有很大的差距的。
: RANSAC那些我都做过的，95%识别率底下，FPR做到千分之一可能都要千难万难了。
: deformable mesh匹配这种问题都是老大难，现在的技术路线其实也在从组合优化
: 往deep learning转。
: 王垠其实就亏在入错行了。他要是折腾deep learning，肯定是一把好手。
: 不过他应该是看不起我们这些套轮子调参数的。
|
