用AI尋找大屠殺後失散的親人!谷歌工程師研發人臉辨識程序,可辨識超70萬張二戰時期老照片
AI臉部辨識領域又開拓新業務了?
這次,是鑑別二戰時期老照片裡的人臉圖像。
近日,來自Google的一名軟體工程師Daniel Patt 研發了一項名為N2N(Numbers to Names)的AI人臉辨識技術,它可識別二戰前歐洲和大屠殺時期的照片,並將他們與現代的人們聯繫起來。
用AI尋找失散多年的親人
2016年,派特在參觀華沙波蘭裔猶太人紀念館時,萌生了一個想法。
這張陌生的臉龐,會不會與自己存在血緣的聯繫?
他的祖父母/外祖父母中有三位是來自波蘭的大屠殺倖存者,他想幫助祖母找到被納粹殺害的家人的照片。
二戰時期,由於波蘭裔猶太人眾多,且被關押在不同集中營,許多都下落不明。
僅僅透過一張發黃的照片,很難辨別其中的人臉是誰,更別提找到自己失落的親人。
於是,他回到家中,立刻把這個想法轉化為現實。
該軟體最初的設想是透過資料庫收集人臉的圖像信息,並利用人工智慧演算法幫助匹配相似度最高的前十個選項。
其中大部分的圖像資料來自美國大屠殺紀念館(The US Holocaust Memorial Museum),此外還有超過一百萬張圖像來自全國各地的資料庫。
使用者只要選擇電腦檔案中的影像,點選上傳,系統就會自動篩選出符合圖最高的前十個選項。
另外,使用者也可以點選來源位址查看該圖片的年份、地點、藏館等資訊。
有個槽點是,如果輸入現代的人物影像,檢索結果也可能會很離譜。
結果就是這件事? (黑人問號)
總之就是系統功能還需要完善。
此外,Patt也與Google的其他軟體工程師和資料科學家團隊合作,旨在提高搜尋的範圍與準確度。
由於臉部辨識系統有隱私外洩的風險,Patt表示,「我們不對身分作出任何評價, 我們只負責用相似度分數呈現結果,並讓使用者自己去判斷」。
AI臉部辨識技術的發展
那麼這項技術是如何對人臉進行辨識的呢?
最初,人臉辨識技術還得從「如何判斷偵測的影像是一張臉」開始。
2001年,電腦視覺研究人員 Paul Viola 和 Michael Jones 提出了一個框架,以高精度即時偵測人臉。
這個框架可基於訓練模型來理解「什麼是人臉,什麼不是人臉」。
訓練完成後,模型會提取特定特徵,然後將這些特徵儲存在檔案中,以便可以將新影像中的特徵與先前儲存的特徵在各個階段進行比較。
為了幫助確保準確性,演算法需要在包含「數十萬正負影像的大型資料集」上進行訓練,從而提高演算法確定影像中是否有人臉及其位置的能力。
如果所研究的圖像通過了特徵比較的每個階段,則已偵測到人臉並且可以繼續操作。
儘管 Viola-Jones 框架在即時應用程式中用於識別人臉精確度很高,但它存在一定的局限性。
例如,如果人臉戴上口罩,或者如果一張臉沒有正確定向,則該框架可能無法工作。
為幫助消除 Viola-Jones 框架的缺點並改進人臉偵測,他們開發了其他演算法。
如基于区域的卷积神经网络 (R-CNN) 和单镜头检测器 (SSD)来帮助改进流程。
卷积神经网络 (CNN) 是一种用于图像识别和处理的人工神经网络,专门用于处理像素数据。
R-CNN 在 CNN 框架上生成区域提议,以对图像中的对象进行定位和分类。
虽然基于区域提议网络的方法(如 R-CNN)需要两个镜头——一个用于生成区域提议,另一个用于检测每个提议的对象——但 SSD 只需要一个镜头来检测图像中的多个对象。因此,SSD 明显快于 R-CNN。
近年来,深度学习模型驱动的人脸识别技术,其优势显著优于传统的计算机视觉方法。
早期的人脸识别多采用传统机器学习算法,研究关注的焦点更多集中在如何提取更有鉴别力的特征上,以及如何更有效的对齐人脸。
随着研究的深入,传统机器学习算法人脸识别在二维图像上的性能提升逐渐到达瓶颈。
人们开始转而研究视频中的人脸识别问题,或者结合三维模型的方法去进一步提升人脸识别的性能,而少数学者开始研究三维人脸的识别问题。
在最出名的 LFW 公开库上,深度学习算法一举突破了传统机器学习算法在二维图像上人脸识别性能的瓶颈,首次将识别率提升到了 97% 以上。
即利用「CNN 网络建立的高维模型」 ,直接从输入的人脸图像上提取有效的鉴别特征,直接计算余弦距离来进行人脸识别。
人脸检测已经从基本的计算机视觉技术发展到机器学习 (ML) 的进步,再到日益复杂的人工神经网络 (ANN) 和相关技术,结果是持续的性能改进。
现在,它作为许多关键应用程序的第一步发挥着重要作用——包括面部跟踪、面部分析和面部识别。
二战期间,中国也遭受了战争的创伤,许多当时照片中的人物早已无法辨别。
爷爷奶奶一辈的曾遭受战争创伤的人们,有许多亲人朋友都下落不明。
这项技术的研发或许将帮助人们揭开尘封的岁月,为过去的人们寻找一些慰藉。
参考资料:https://www.timesofisrael.com/google-engineer-identifies-anonymous-faces-in-wwii-photos-with-ai-facial-recognition/
以上是用AI尋找大屠殺後失散的親人!谷歌工程師研發人臉辨識程序,可辨識超70萬張二戰時期老照片的詳細內容。更多資訊請關注PHP中文網其他相關文章!

熱AI工具

Undresser.AI Undress
人工智慧驅動的應用程序,用於創建逼真的裸體照片

AI Clothes Remover
用於從照片中去除衣服的線上人工智慧工具。

Undress AI Tool
免費脫衣圖片

Clothoff.io
AI脫衣器

Video Face Swap
使用我們完全免費的人工智慧換臉工具,輕鬆在任何影片中換臉!

熱門文章

熱工具

記事本++7.3.1
好用且免費的程式碼編輯器

SublimeText3漢化版
中文版,非常好用

禪工作室 13.0.1
強大的PHP整合開發環境

Dreamweaver CS6
視覺化網頁開發工具

SublimeText3 Mac版
神級程式碼編輯軟體(SublimeText3)

DMA在C 中是指DirectMemoryAccess,直接內存訪問技術,允許硬件設備直接與內存進行數據傳輸,不需要CPU干預。 1)DMA操作高度依賴於硬件設備和驅動程序,實現方式因係統而異。 2)直接訪問內存可能帶來安全風險,需確保代碼的正確性和安全性。 3)DMA可提高性能,但使用不當可能導致系統性能下降。通過實踐和學習,可以掌握DMA的使用技巧,在高速數據傳輸和實時信號處理等場景中發揮其最大效能。

使用C 中的chrono庫可以讓你更加精確地控制時間和時間間隔,讓我們來探討一下這個庫的魅力所在吧。 C 的chrono庫是標準庫的一部分,它提供了一種現代化的方式來處理時間和時間間隔。對於那些曾經飽受time.h和ctime折磨的程序員來說,chrono無疑是一個福音。它不僅提高了代碼的可讀性和可維護性,還提供了更高的精度和靈活性。讓我們從基礎開始,chrono庫主要包括以下幾個關鍵組件:std::chrono::system_clock:表示系統時鐘,用於獲取當前時間。 std::chron

交易所內置量化工具包括:1. Binance(幣安):提供Binance Futures量化模塊,低手續費,支持AI輔助交易。 2. OKX(歐易):支持多賬戶管理和智能訂單路由,提供機構級風控。獨立量化策略平台有:3. 3Commas:拖拽式策略生成器,適用於多平台對沖套利。 4. Quadency:專業級算法策略庫,支持自定義風險閾值。 5. Pionex:內置16 預設策略,低交易手續費。垂直領域工具包括:6. Cryptohopper:雲端量化平台,支持150 技術指標。 7. Bitsgap:

在C 中處理高DPI顯示可以通過以下步驟實現:1)理解DPI和縮放,使用操作系統API獲取DPI信息並調整圖形輸出;2)處理跨平台兼容性,使用如SDL或Qt的跨平台圖形庫;3)進行性能優化,通過緩存、硬件加速和動態調整細節級別來提升性能;4)解決常見問題,如模糊文本和界面元素過小,通過正確應用DPI縮放來解決。

在C 中測量線程性能可以使用標準庫中的計時工具、性能分析工具和自定義計時器。 1.使用庫測量執行時間。 2.使用gprof進行性能分析,步驟包括編譯時添加-pg選項、運行程序生成gmon.out文件、生成性能報告。 3.使用Valgrind的Callgrind模塊進行更詳細的分析,步驟包括運行程序生成callgrind.out文件、使用kcachegrind查看結果。 4.自定義計時器可靈活測量特定代碼段的執行時間。這些方法幫助全面了解線程性能,並優化代碼。

C 在實時操作系統(RTOS)編程中表現出色,提供了高效的執行效率和精確的時間管理。 1)C 通過直接操作硬件資源和高效的內存管理滿足RTOS的需求。 2)利用面向對象特性,C 可以設計靈活的任務調度系統。 3)C 支持高效的中斷處理,但需避免動態內存分配和異常處理以保證實時性。 4)模板編程和內聯函數有助於性能優化。 5)實際應用中,C 可用於實現高效的日誌系統。

C 中使用字符串流的主要步驟和注意事項如下:1.創建輸出字符串流並轉換數據,如將整數轉換為字符串。 2.應用於復雜數據結構的序列化,如將vector轉換為字符串。 3.注意性能問題,避免在處理大量數據時頻繁使用字符串流,可考慮使用std::string的append方法。 4.注意內存管理,避免頻繁創建和銷毀字符串流對象,可以重用或使用std::stringstream。

在MySQL中,添加字段使用ALTERTABLEtable_nameADDCOLUMNnew_columnVARCHAR(255)AFTERexisting_column,刪除字段使用ALTERTABLEtable_nameDROPCOLUMNcolumn_to_drop。添加字段時,需指定位置以優化查詢性能和數據結構;刪除字段前需確認操作不可逆;使用在線DDL、備份數據、測試環境和低負載時間段修改表結構是性能優化和最佳實踐。
