Facebook crée un logiciel qui correspond aux visages presque aussi bien que vous

Lorsqu'on lui demande si deux photos de visages inconnus montrent la même personne, un être humain réussira dans 97,53 % du temps. Un nouveau logiciel développé par des chercheurs de Facebook peut obtenir un score de 97,25% sur le même défi, quelles que soient les variations d'éclairage ou si la personne sur la photo est directement face à la caméra.

Il s'agit d'une avancée significative par rapport aux logiciels de comparaison de visages précédents, et cela démontre la puissance d'une nouvelle approche de l'intelligence artificielle connue sous le nom d'apprentissage en profondeur, sur laquelle Facebook et ses concurrents ont beaucoup parié au cours de la dernière année (voir Deep Learning ). Ce domaine de l'IA implique un logiciel qui utilise des réseaux de neurones simulés pour apprendre à reconnaître des modèles dans de grandes quantités de données.

Normalement, vous ne voyez pas ce genre d'amélioration, explique Yaniv Taigman, membre de l'équipe d'IA de Facebook, un groupe de recherche créé l'année dernière pour explorer comment l'apprentissage en profondeur pourrait aider l'entreprise (voir Facebook lance un effort d'IA avancé). Nous approchons de près la performance humaine, déclare Taigman à propos du nouveau logiciel. Il note que le taux d'erreur a été réduit de plus d'un quart par rapport aux logiciels antérieurs qui peuvent prendre en charge la même tâche.

Tour de tête : DeepFace utilise un modèle 3D pour faire pivoter les visages, virtuellement, afin qu'ils fassent face à la caméra. L'image (a) montre l'image originale et (g) montre la version finale corrigée.

Le nouveau logiciel de Facebook, connu sous le nom de DeepFace, effectue ce que les chercheurs appellent la vérification faciale (il reconnaît que deux images montrent le même visage), pas la reconnaissance faciale (mettre un nom sur un visage). Mais certaines des techniques sous-jacentes pourraient être appliquées à ce problème, dit Taigman, et pourraient donc améliorer la précision de Facebook pour suggérer qui les utilisateurs doivent taguer sur une photo nouvellement téléchargée.

Cependant, DeepFace reste purement un projet de recherche pour l'instant. Facebook a publié un document de recherche sur le projet la semaine dernière, et les chercheurs présenteront les travaux au Conférence IEEE sur la vision par ordinateur et la reconnaissance de formes en juin. Nous publions nos résultats pour obtenir les commentaires de la communauté des chercheurs, déclare Taigman, qui a développé DeepFace avec ses collègues de Facebook Ming Yang et Marc'Aurelio Ranzato et le professeur de l'Université de Tel Aviv Lior Wolf.

DeepFace traite les images de visages en deux étapes. Tout d'abord, il corrige l'angle d'un visage de sorte que la personne sur la photo soit tournée vers l'avant, en utilisant un modèle 3D d'un visage moyen tourné vers l'avant. Ensuite, l'apprentissage en profondeur intervient alors qu'un réseau de neurones simulé élabore une description numérique du visage réorienté. Si DeepFace propose des descriptions suffisamment similaires à partir de deux images différentes, il décide qu'elles doivent montrer le même visage.

Les performances du logiciel final ont été testées par rapport à un jeu de données standard que les chercheurs utilisent pour comparer les logiciels de traitement des visages, qui ont également été utilisés pour mesurer les performances des humains pour faire correspondre les visages.

Neeraj Kumar , un chercheur de l'Université de Washington qui a travaillé sur la vérification et la reconnaissance des visages, affirme que les résultats de Facebook montrent comment trouver suffisamment de données pour alimenter un grand réseau de neurones peut permettre des améliorations significatives dans les logiciels d'apprentissage automatique. Je parierais qu'une grande partie du gain ici provient de ce que l'apprentissage en profondeur fournit généralement : être capable d'exploiter d'énormes quantités de données externes dans un modèle d'apprentissage de plus grande capacité, dit-il.

La partie d'apprentissage en profondeur de DeepFace se compose de neuf couches de neurones simulés simples, avec plus de 120 millions de connexions entre elles. Pour former ce réseau, les chercheurs de Facebook ont ​​exploité une infime partie des données du trésor d'images d'utilisateurs de leur entreprise : quatre millions de photos de visages appartenant à près de 4 000 personnes. Comme ils ont accès à de nombreuses données de cette forme, ils peuvent entraîner avec succès un modèle à haute capacité, explique Kumar.

cacher