


Historique de développement et ensembles de données couramment utilisés pour la reconnaissance faciale
Premières étapes de la reconnaissance faciale - Basées sur l'apprentissage automatique
Les premières méthodes se concentraient principalement sur la collaboration avec des experts en vision par ordinateur pour extraire des fonctionnalités conçues à la main et utiliser des algorithmes d'apprentissage automatique traditionnels pour former des classificateurs efficaces pour la détection. Cependant, les limites de ces méthodes sont que des experts sont nécessaires pour produire des fonctionnalités efficaces et que chaque composant doit être optimisé individuellement, ce qui entraîne une sous-optimisation de l'ensemble du pipeline de détection. Pour résoudre ce problème, des fonctionnalités plus complexes telles que HOG, SIFT, SURF et ACF ont été proposées. Pour améliorer la robustesse de la détection, des combinaisons de plusieurs détecteurs entraînés pour différentes vues ou poses ont également été développées. Cependant, ces modèles nécessitent de longues périodes de formation et de test et présentent une amélioration limitée des performances de détection.
Une technologie plus avancée pour la reconnaissance faciale - basée sur l'apprentissage profond
Ces dernières années, la recherche sur la reconnaissance faciale a fait des progrès significatifs, notamment l'application des réseaux neuronaux convolutifs profonds (CNN). Les méthodes d’apprentissage profond ont obtenu un succès remarquable dans les tâches de vision par ordinateur et présentent de nombreux avantages par rapport aux méthodes traditionnelles. Les méthodes d'apprentissage profond évitent les pipelines de conception fabriqués à la main, ce qui rend les modèles plus flexibles et adaptables à différents ensembles de données. De plus, les méthodes d'apprentissage en profondeur ont donné de bons résultats dans de nombreuses évaluations de référence, telles que le ImageNet Large Scale Visual Recognition Challenge (ILSVRC). Ces avancées ont permis à la reconnaissance faciale d’être largement utilisée dans divers domaines, de la surveillance de sécurité au déverrouillage du visage.
Récemment, des chercheurs ont réalisé des progrès passionnants dans le domaine de la détection générale d'objets, en appliquant Faster R-CNN, un détecteur d'objets avancé. En combinant la formation conjointe de CNN Cascade, du réseau de propositions régionales (RPN) et de Faster R-CNN, les chercheurs ont réalisé une optimisation de bout en bout et obtenu des résultats encourageants. En termes de détection de visage, l'algorithme Faster R-CNN est combiné avec du hard négatif mining et ResNet, ce qui améliore considérablement ses performances sur les benchmarks de détection de visage tels que FDDB. Cette approche combinée rend l’algorithme de détection des visages plus précis et plus fiable. En bref, Faster R-CNN et ses algorithmes de formation et de combinaison conjoints associés ont apporté des progrès significatifs dans les domaines de la détection d'objets et de la détection de visages, et ont ouvert une nouvelle direction pour le développement de la technologie d'apprentissage profond.
Ensembles de données couramment utilisés pour la reconnaissance faciale
Ensemble de données AFW : l'ensemble de données AFW est construit à l'aide d'images Flickr. Il comprend 205 images et 473 visages étiquetés. Pour chaque visage, les annotations d'image incluent un cadre de délimitation rectangulaire, 6 points de repère et des angles de pose.
Ensemble de données PASCAL FACE : Cet ensemble de données est utilisé pour la reconnaissance faciale et l'identification des visages ; il s'agit d'un sous-ensemble de PASCAL VOC et contient 1 335 visages étiquetés dans 851 images avec de grandes variations d'apparence faciale et de pose.
Base de données de visages MIT CBCL : La base de données de reconnaissance faciale MIT-CBCL contient un ensemble d'entraînement (2429 visages, 4548 non-visages) et un ensemble d'estimation (472 visages, 23573 non-visages).
Ensemble de données FDDB : Cet ensemble de données contient 5171 visages avec des annotations telles que des occlusions, des poses difficiles et une faible résolution d'image dans 2845 images. Ces images sont utilisées pour l'entraînement sur les grandes variations d'apparence, les occlusions sévères et la dégradation sévère du flou, qui sont courantes lors de la détection de visages dans des scénarios réels sans contraintes.
Base de données CMU PIE : La base de données CMU Multi-PIE Face contient 41 368 images de 68 personnes, chaque personne dans 13 poses différentes, 43 conditions d'éclairage différentes et 4 expressions différentes.
Ensemble de données SCface : SCface est une base de données d'images statiques de visages. Les images ont été capturées à l’aide de cinq caméras de vidéosurveillance de qualité variable dans un environnement intérieur non contrôlé. Cet ensemble de données contient 4 160 images statiques (spectres visible et infrarouge) de 130 sujets.
Ensemble de données WIDER FACE : L'ensemble de données de référence sur la détection des visages comprend 32 203 images et 393 703 visages étiquetés, qui sont très variables en termes d'échelle, de pose et d'occlusion, ce qui rend la détection des visages extrêmement difficile. De plus, l'ensemble de données WIDER FACE est organisé selon 61 catégories d'événements.
Ce qui précède est le contenu détaillé de. pour plus d'informations, suivez d'autres articles connexes sur le site Web de PHP en chinois!

Outils d'IA chauds

Undresser.AI Undress
Application basée sur l'IA pour créer des photos de nu réalistes

AI Clothes Remover
Outil d'IA en ligne pour supprimer les vêtements des photos.

Undress AI Tool
Images de déshabillage gratuites

Clothoff.io
Dissolvant de vêtements AI

AI Hentai Generator
Générez AI Hentai gratuitement.

Article chaud

Outils chauds

Bloc-notes++7.3.1
Éditeur de code facile à utiliser et gratuit

SublimeText3 version chinoise
Version chinoise, très simple à utiliser

Envoyer Studio 13.0.1
Puissant environnement de développement intégré PHP

Dreamweaver CS6
Outils de développement Web visuel

SublimeText3 version Mac
Logiciel d'édition de code au niveau de Dieu (SublimeText3)

Ce site a rapporté le 27 juin que Jianying est un logiciel de montage vidéo développé par FaceMeng Technology, une filiale de ByteDance. Il s'appuie sur la plateforme Douyin et produit essentiellement du contenu vidéo court pour les utilisateurs de la plateforme. Il est compatible avec iOS, Android et. Windows, MacOS et autres systèmes d'exploitation. Jianying a officiellement annoncé la mise à niveau de son système d'adhésion et a lancé un nouveau SVIP, qui comprend une variété de technologies noires d'IA, telles que la traduction intelligente, la mise en évidence intelligente, l'emballage intelligent, la synthèse humaine numérique, etc. En termes de prix, les frais mensuels pour le clipping SVIP sont de 79 yuans, les frais annuels sont de 599 yuans (attention sur ce site : équivalent à 49,9 yuans par mois), l'abonnement mensuel continu est de 59 yuans par mois et l'abonnement annuel continu est de 59 yuans par mois. est de 499 yuans par an (équivalent à 41,6 yuans par mois) . En outre, le responsable de Cut a également déclaré que afin d'améliorer l'expérience utilisateur, ceux qui se sont abonnés au VIP d'origine

Améliorez la productivité, l’efficacité et la précision des développeurs en intégrant une génération et une mémoire sémantique améliorées par la récupération dans les assistants de codage IA. Traduit de EnhancingAICodingAssistantswithContextUsingRAGandSEM-RAG, auteur JanakiramMSV. Bien que les assistants de programmation d'IA de base soient naturellement utiles, ils ne parviennent souvent pas à fournir les suggestions de code les plus pertinentes et les plus correctes, car ils s'appuient sur une compréhension générale du langage logiciel et des modèles d'écriture de logiciels les plus courants. Le code généré par ces assistants de codage est adapté à la résolution des problèmes qu’ils sont chargés de résoudre, mais n’est souvent pas conforme aux normes, conventions et styles de codage des équipes individuelles. Cela aboutit souvent à des suggestions qui doivent être modifiées ou affinées pour que le code soit accepté dans l'application.

Pour en savoir plus sur l'AIGC, veuillez visiter : 51CTOAI.x Community https://www.51cto.com/aigc/Translator|Jingyan Reviewer|Chonglou est différent de la banque de questions traditionnelle que l'on peut voir partout sur Internet. nécessite de sortir des sentiers battus. Les grands modèles linguistiques (LLM) sont de plus en plus importants dans les domaines de la science des données, de l'intelligence artificielle générative (GenAI) et de l'intelligence artificielle. Ces algorithmes complexes améliorent les compétences humaines et stimulent l’efficacité et l’innovation dans de nombreux secteurs, devenant ainsi la clé permettant aux entreprises de rester compétitives. LLM a un large éventail d'applications. Il peut être utilisé dans des domaines tels que le traitement du langage naturel, la génération de texte, la reconnaissance vocale et les systèmes de recommandation. En apprenant de grandes quantités de données, LLM est capable de générer du texte

Les grands modèles linguistiques (LLM) sont formés sur d'énormes bases de données textuelles, où ils acquièrent de grandes quantités de connaissances du monde réel. Ces connaissances sont intégrées à leurs paramètres et peuvent ensuite être utilisées en cas de besoin. La connaissance de ces modèles est « réifiée » en fin de formation. À la fin de la pré-formation, le modèle arrête effectivement d’apprendre. Alignez ou affinez le modèle pour apprendre à exploiter ces connaissances et répondre plus naturellement aux questions des utilisateurs. Mais parfois, la connaissance du modèle ne suffit pas, et bien que le modèle puisse accéder à du contenu externe via RAG, il est considéré comme bénéfique de l'adapter à de nouveaux domaines grâce à un réglage fin. Ce réglage fin est effectué à l'aide de la contribution d'annotateurs humains ou d'autres créations LLM, où le modèle rencontre des connaissances supplémentaires du monde réel et les intègre.

L'ensemble de données ScienceAI Question Answering (QA) joue un rôle essentiel dans la promotion de la recherche sur le traitement du langage naturel (NLP). Des ensembles de données d'assurance qualité de haute qualité peuvent non seulement être utilisés pour affiner les modèles, mais également évaluer efficacement les capacités des grands modèles linguistiques (LLM), en particulier la capacité à comprendre et à raisonner sur les connaissances scientifiques. Bien qu’il existe actuellement de nombreux ensembles de données scientifiques d’assurance qualité couvrant la médecine, la chimie, la biologie et d’autres domaines, ces ensembles de données présentent encore certaines lacunes. Premièrement, le formulaire de données est relativement simple, et la plupart sont des questions à choix multiples. Elles sont faciles à évaluer, mais limitent la plage de sélection des réponses du modèle et ne peuvent pas tester pleinement la capacité du modèle à répondre aux questions scientifiques. En revanche, les questions et réponses ouvertes

L'apprentissage automatique est une branche importante de l'intelligence artificielle qui donne aux ordinateurs la possibilité d'apprendre à partir de données et d'améliorer leurs capacités sans être explicitement programmés. L'apprentissage automatique a un large éventail d'applications dans divers domaines, de la reconnaissance d'images et du traitement du langage naturel aux systèmes de recommandation et à la détection des fraudes, et il change notre façon de vivre. Il existe de nombreuses méthodes et théories différentes dans le domaine de l'apprentissage automatique, parmi lesquelles les cinq méthodes les plus influentes sont appelées les « Cinq écoles d'apprentissage automatique ». Les cinq grandes écoles sont l’école symbolique, l’école connexionniste, l’école évolutionniste, l’école bayésienne et l’école analogique. 1. Le symbolisme, également connu sous le nom de symbolisme, met l'accent sur l'utilisation de symboles pour le raisonnement logique et l'expression des connaissances. Cette école de pensée estime que l'apprentissage est un processus de déduction inversée, à travers les connaissances existantes.

Editeur | KX Dans le domaine de la recherche et du développement de médicaments, il est crucial de prédire avec précision et efficacité l'affinité de liaison des protéines et des ligands pour le criblage et l'optimisation des médicaments. Cependant, les études actuelles ne prennent pas en compte le rôle important des informations sur la surface moléculaire dans les interactions protéine-ligand. Sur cette base, des chercheurs de l'Université de Xiamen ont proposé un nouveau cadre d'extraction de caractéristiques multimodales (MFE), qui combine pour la première fois des informations sur la surface des protéines, la structure et la séquence 3D, et utilise un mécanisme d'attention croisée pour comparer différentes modalités. alignement. Les résultats expérimentaux démontrent que cette méthode atteint des performances de pointe dans la prédiction des affinités de liaison protéine-ligand. De plus, les études d’ablation démontrent l’efficacité et la nécessité des informations sur la surface des protéines et de l’alignement des caractéristiques multimodales dans ce cadre. Les recherches connexes commencent par "S

Selon les informations de ce site Web du 5 juillet, GlobalFoundries a publié un communiqué de presse le 1er juillet de cette année, annonçant l'acquisition de la technologie de nitrure de gallium (GaN) et du portefeuille de propriété intellectuelle de Tagore Technology, dans l'espoir d'élargir sa part de marché dans l'automobile et Internet. des objets et des domaines d'application des centres de données d'intelligence artificielle pour explorer une efficacité plus élevée et de meilleures performances. Alors que des technologies telles que l’intelligence artificielle générative (GenerativeAI) continuent de se développer dans le monde numérique, le nitrure de gallium (GaN) est devenu une solution clé pour une gestion durable et efficace de l’énergie, notamment dans les centres de données. Ce site Web citait l'annonce officielle selon laquelle, lors de cette acquisition, l'équipe d'ingénierie de Tagore Technology rejoindrait GF pour développer davantage la technologie du nitrure de gallium. g
