Опознанный объект. Как нейросети ловят преступников и узнают хозяина

25 Мая 2018

МОСКВА, 25 мая , Татьяна Пичугина. Самообучающиеся нейросети произвели в системах распознавания лиц настоящую революцию. В Китае реализуют масштабную государственную программу защищенности на основе анализа изображений с миллионов камер видеонаблюдения. Похожие системы тестируют московские аэропорты и метрополитен. вместе с экспертами рассказывает, как такие системы устроены и на, что они способны.

Особая задача для мозга

Оказавшись в помещении, человек первым делом сканирует убранство в поиске лиц. Фотоны поступают на сетчатку глаза и преобразуются в электрические сигналы, идущие в мозг. Там изображение разлагается на признаки, из которых затем складывается целая картина. В нашей парамнезии хранятся образы, виденные ранее, и некоторые априорные представления об окружающем мире, поэтому мы не удивляемся, очувствовался в новое место или встретив незнакомцев. Все эти объекты нам известны на уровне категорий стол, окно, старик. Различие лишь в деталях, цвете, размерах.

Примерно так же устроена нервная система квакуши, реагирующая запрограммированным образом на зрительную информацию. Маленький длинный прямоугольник амфибия воспримет как червяка, а большой квадрат укажет на хищника, от которого нужно спасаться. Распознавать одноплеменников умеют и рыбы.

Сотни признаков вместо абстракции

Система распознавания лиц состоит из двух частей. Первая нейросеть-детектор читает поток изображений с видеокамеры и определяет, есть ли там лица. Набор лиц она подает на вход нейросети-идентификатору, которая сравнивает их с базой данных лиц-эталонов и говорит, есть совпадение или нет.

Как и мозг, нейросеть оперирует сигналами. Но описать их привычными терминами не получится. Круглое лицо, тонкие брови, темные волосы, пробор налево это абстрактные точка зрения, которые формируются после иерархического анализа зрительных сигналов. Реальный процесс узнавания гораздо сложнее, он основан на анализе множества мелких черт. Так же работает и искусственный интеллект. Покатый лоб он может объяснять с помощью трехсот признаков.

Трудно выговорить, какие признаки формирует нейросеть. Она как черный ларец, открыть который и посмотреть, как он работает, само по себе непростая научная задача. Достоверно мы знаем, что у нас есть математическая модель, преобразующая изображение лица в список признаков. Перебирая варианты, мы меняем структуру этой модели, чтобы улучшить результат, рассказывает Алексей Цессарский, заместитель коренного директора компании разработчика системы Видеотэк.

Свернуть и сложить

Задача нейросети сближается к преобразованию изображения в набор признаков. Делает она это с помощью фильтров в виде математических формул. Берется рамка, обычно размером три на три пикселя, и накладывается на изображение лица. Далее девять пикселей, которые вступают в рамку, заменяются одним, допустим, самым ясным из них. Рамка шествует по всему изображению, уменьшая его в три раза. Это называют сверткой, а использующую ее нейросеть сверточной. С набором свинченных изображений машине легче работать. Именно они в итоге дозволяют отличить одно лицо от другого.

В качестве фильтра можно выбрать только красный цвет, цвет высокого левого угла рамки. Есть фильтры, хорошо выделяющие границы, находящие горизонтальные линии. Есть формулы, которые с набором признаков делают математические преобразования, поясняет Цессарский.

Набор фильтров, их последовательность, структура нейросети это ноу-хау, над которым, собственно, и бьются разработчики.

Чтобы нейросеть успешно распознавала лица, ее исходного обучить на большой базе изображений. Это долгий процесс с множеством итераций. В зависимости от размера базы и вычислительных ресурсов на это уходят недельки и месяцы. Шаг за шагом система учится все точнее распознавать лица. Программисты только следят за тем, чтобы векторы признаков (результат работы нейросети) были максимально информативными, позволяли проводить сравнение.

Для профессиональной нейросети не представляют проблем возраст, пол, этническая принадлежность лица.

Она способна за считаные секунды дать ответ на вопрос, кто из этих десяти десять миллионов находился в поле зрения полутора тысяч камер. Человек не сделает такого никоим образом, подчеркивает Цессарский.

Как объехать систему

Самое простое это полностью закрыть лицо. Но обедает и более умные методы, только надо знать структуру нейросети и на каких данных она обучалась. Нанеся специальный макияж, к примеру, полоски, черные точки, программу, возможно, удастся объехать. Но еще до этого раскрашенный странным образом человек закажет подозрение у окружающих и привлечет внимание полиции, рассказывает Артем Кухаренко, основоположник компании NtechLab, разработавшей систему FindFace для поиска людей по фото в открытых профилях во ВКонтакте.

Парик, усы, прицелы несильно снижают точность распознавания. Боевая раскраска например, футбольных фанатов тоже не сбивает систему с толку. Ведь большая часть признаков относится к строению лица, а не дополнительным описателям. Гораздо эффективнее не маскироваться, а попытаться свести программу с ума, утверждает Цессарский.

Нейросеть это, по сути, сложная функция, получающая данные, преобразующая их и выдающая результат. У нее есть узкий диапазон входных значений, которые дают результат, радикально отличающийся от обычного. Можно подобрать картинку, так сильно влияющую на результат расчета, что он выкарабкается из стандартной картины. Что-то типа китайского иероглифа в сочетании с лицом это собьет систему с толку, объясняет он.

По словам эксперта, подбор таких картинок-обманок трудоемкая и наукоемкая задача. Большинству преступников она не под силу.

Это занятие оперативнее для ученых, чем скромных людей, включает Цессарский.

В режиме города

В Москве сотки тысяч уличных видеокамер. Отсмотр записей с них при необходимости происходит в ручном режиме и занимает часы, а то и дни. Если же задачу поручить программе, то она решит ее за секунды и с высокой точностью. Например, на поиск по пятистам миллионов фото, выложенным в соцсети ВКонтакте, уложит полсекунды.

По словам Кухаренко, лапидарность системы зависит от размера базы изображений, с которой итогового работать: база из тысячи изображений даст почти стопроцентную лапидарность, миллионы фото снизят лапидарность до 95 процентов.

Условия, в которых стоят видеокамеры, также играют роль. Засветка, ракурс снимка снижают точность, но система все же будет работать.

Даже вероятность распознания шестьдесят процентов это очень много, подчеркивает Кухаренко.

Машина познает эмоции

Нейросети уже учатся распознавать вспыльчивости. Благодаря этому они могут стать умными помощниками, встроенными в машины и гаджеты.

Сервисы все более обезличиваются, когда с клиентом общается программа. Можно научить ее оценивать эмоции и на них реагировать. Например, вы пытаетесь купить что-нибудь в автомате и не знаете, на какую кнопку кликнуть, злитесь, стучите плутом. Автомат, наделенный способностью распознавать эмоции, вступит в диалог, поможет, объясняет Алексей Кадейшвили, технический директор компании Вокорд.

Принципиальная схема такая: программа следит, насколько у человека искажены черты по сравнению с нейтральным выражением лица. По степени искажения назначает ту или иную эмоцию. Однако пока подобные задачи достаточно сложного формализовать, мешает субъективный фактор.

Есть ярко выраженные эмоции с ними не ошибешься, а есть эмоции, которые можно по-разному трактовать, смешанные, промежуточные. Это сильно усложняет работу автоматической системы. Результат распознавания лица понятен определили либо правильно, либо нет. В случае ошибки в системе следует что-то исправить. С эмоциями не так, говорит Кадейшвили.

Научный подход спрашивает экспертного заключения о том, куда отнести те или иные эмоции. Но, по словам Алексея Кадейшвили, это долго, сложно и дорого, поэтому разработчикам систем опознавания эмоций приходится оперировать ограниченным числом исходных данных.

Вектор прогресса

Хотя нейросети справляются с задачей распознавания лиц лучше, чем люди, до идеала еще далеко.

Пока системы распознавания лиц востребованы для масштабных задач: обеспечения безопасности киевлян города, пассажиров транспортных систем, контроля доступа на крупные предприятия и спортивные объекты, поиска пропавших людей. Есть ряд задач для ретейла: борьба с воровством, системы лояльности.

Наш алгоритм позволяет распознавать вспыльчивости, определять пол и возраст, наличие усов, бородки, очков и так далее. Это востребовано в розничной торговле. Ретейлеры хотят удавать демографический или возрастной срез читателей, понимать предпочтения клиентов для более высокого уровня обслуживания, приводит пример Кухаренко.

Сфера применения нейросетей очень широка. Сложнее сказать, где этой технологии не будет в ближайшее время, детализирует Алексей Кадейшвили.

По его словам, нейросети не все ситуации отрабатывают качественно. Например, затруднительности вызывает некооперативный режим, когда требуется распознавать лица людей, идущих в толпе и не стремящихся помогать системе быть различёнными. Точность тогда ниже, чем при анализе селфи-фото. Однако года через три все дыры в системах распознавания лиц заделают, и они окажутся такой же привычной частью нашей жизни, как фотокамеры в мобильных телефонах.

Редактор рубрики

Леонид Кузьмин

Место события на карте мира:

Опознанный объект. Как нейросети ловят преступников и узнают хозяина

комментарии (0)

Другие интересные новости

Умер режиссер Федор Петрухин