人臉新玩法，你能看到自己過去與未來的樣貌了
近期被朝陽群眾APP刷了下朋友圈，全民打擊兒童拐賣、尋找走失老人的義舉自然而然吸引了許多熱心人士的參與。雖然當前人臉識別的準確率已經很高，但是隨著歲月的推移，一些被拐多年或者失蹤很久的人員，在人臉的比對上會有較大的困難。
然而這是一個創造奇跡的時代，在人類發明了本世紀最偉大的美圖軟體之後，機器學習讓人們可以實現更省時、更精准的還原人們年輕或者模擬年老的容貌。雖然這項技術還沒有普遍開來，但也讓人們看到了在尋找失蹤人口上的希望。
據國外媒體報導，這套原理是來自法國Orange實驗室的Enter Grigory Antipov和他的朋友們研發出來的。其主要是讓兩個深度學習的機器同時工作，一個生成人臉，一個鑒別人臉，兩個機器會通過分析人臉圖像，提前習得各年齡段人臉大概是什麼樣子的。年齡段分類標準為：0-18, 19- 29, 30-39, 40-49, 50-59, 以及60歲以上。
據介紹，在每個年齡分組裡，研究人員讓機器學習超過5,000張標記過年齡的人臉圖像。這些圖像均來自於 Web Film Database以及維琪百科。通過這種方法，機器可以學會每個年齡分組內的標籤，而正是這個習得的總結標籤讓生成人臉的機器把不同年齡的人像照片準確加工成用戶所希望的年齡的樣子，無論是讓照片中的人變得年輕還是變得年老。
但是，同其合成人像的機器一樣，這裡面存在的一個問題便是在合成過程中，機器可能會喪失掉圖片原有的識別資料（id）。這時候第二個深度學習機器鑒別人臉機器就開始起作用了。它的解決辦法是：看這個照片的識別資料是不是唯一的，如果不是的話照片則會被拒絕輸出。
經實驗證明，這個方法確實有效，據安防知識網瞭解，他們的檢測方法為：研究團隊讓機器合成合成10,000張從IMDB- Wikipedia資料庫中抽取出來的人像（這些照片之前從未用來訓練機器），然後用OpenFace軟體程式來檢測訓練前後的兩張照片是否為同一個人，測試結果為，有80%經訓練的照片都被認為和原照片是同一個人。作為對比，用其他方法加工照片，平均測試結果只有50%。
但如果想要進行更真實的相片比對，應該是將合成的年輕相片與此人該年齡階段的真實照片進行比對，但想要在這個測試中達到更高準確度，研究仍需有一段路要走。但無論如何，這個研究成果確實讓人們看到了尋找長期失蹤人口的突破口，筆者也期待這樣的演算法在未來有更多的應用。
然而這是一個創造奇跡的時代，在人類發明了本世紀最偉大的美圖軟體之後，機器學習讓人們可以實現更省時、更精准的還原人們年輕或者模擬年老的容貌。雖然這項技術還沒有普遍開來，但也讓人們看到了在尋找失蹤人口上的希望。
據國外媒體報導，這套原理是來自法國Orange實驗室的Enter Grigory Antipov和他的朋友們研發出來的。其主要是讓兩個深度學習的機器同時工作，一個生成人臉，一個鑒別人臉，兩個機器會通過分析人臉圖像，提前習得各年齡段人臉大概是什麼樣子的。年齡段分類標準為：0-18, 19- 29, 30-39, 40-49, 50-59, 以及60歲以上。
據介紹，在每個年齡分組裡，研究人員讓機器學習超過5,000張標記過年齡的人臉圖像。這些圖像均來自於 Web Film Database以及維琪百科。通過這種方法，機器可以學會每個年齡分組內的標籤，而正是這個習得的總結標籤讓生成人臉的機器把不同年齡的人像照片準確加工成用戶所希望的年齡的樣子，無論是讓照片中的人變得年輕還是變得年老。
但是，同其合成人像的機器一樣，這裡面存在的一個問題便是在合成過程中，機器可能會喪失掉圖片原有的識別資料（id）。這時候第二個深度學習機器鑒別人臉機器就開始起作用了。它的解決辦法是：看這個照片的識別資料是不是唯一的，如果不是的話照片則會被拒絕輸出。
經實驗證明，這個方法確實有效，據安防知識網瞭解，他們的檢測方法為：研究團隊讓機器合成合成10,000張從IMDB- Wikipedia資料庫中抽取出來的人像（這些照片之前從未用來訓練機器），然後用OpenFace軟體程式來檢測訓練前後的兩張照片是否為同一個人，測試結果為，有80%經訓練的照片都被認為和原照片是同一個人。作為對比，用其他方法加工照片，平均測試結果只有50%。
但如果想要進行更真實的相片比對，應該是將合成的年輕相片與此人該年齡階段的真實照片進行比對，但想要在這個測試中達到更高準確度，研究仍需有一段路要走。但無論如何，這個研究成果確實讓人們看到了尋找長期失蹤人口的突破口，筆者也期待這樣的演算法在未來有更多的應用。