十三 发自 凹非寺
量子位 报道 | 公众号 QbitAI
疫情之下，口罩识别有多难，问问你的iPhone用户朋友就知道了。
在“刷脸时代”，戴口罩的人脸识别已然成为一个大问题。
传统的人脸识别算法，已经无法hold住这种大面积遮挡情况，主要难点有三：
- 一张口罩“封印”半张脸，直接丢失大量脸部特征；
- 短期内无法收集大量戴口罩人脸图像，算法训练难度大；
- 人脸识别系统包含检测、跟踪、识别等多个模块，对它们都会造成影响。
好消息是，AI工程师们逢山开路遇水搭桥，现在——戴口罩人脸识别——这座桥，已经搭好了，而且已经开放了。
百度视觉就敏锐地观察到了这一点，找到了翻过这座大山的突破口。
他们通过采用基于空间位置的注意力机制特征学习，让算法更加关注对眼部区域的特征学习。
△特征可视化结果
算法有了，但数据不够用来训练，又该怎么办呢？
一个传统的办法，就是在现有的人脸图像上“贴”上口罩。
但这样处理后的实验效果并不明显，原因是在真实场景中，人脸姿态会有变化，并且不同场景采集的图像存在一定的差异性。
针对这个问题，百度视觉采用了基于人脸关键点的3D图像融合技术。
这样处理后，不仅解决了人脸姿态变化带来的口罩形变和遮挡问题，还生成了更加自然、真实的照片。
更早的，针对密集人群戴口罩的检测问题，百度与北京地铁展开了合作，连夜集结专项项目组，3天完成初版部署，7天快速迭代上线，解决了检测密集人群“是否戴口罩”的问题。
嗯，看来是可以愉快的戴口罩上班了！
实力的背后是技术
或许很多人会感到惊讶，百度怎么能够在如此短时间内，解决了难题，还做到了落地？
其实，这是必然的结果。
百度视觉早已在领域中深耕多年，技术实力不容小觑。
为了达到业内SOTA水平，百度视觉技术部在人脸检测问题上产出了一系列的研究，从多个角度进行优化。
△红色框是PyramidBox的检测效果，可以看出PyramidBox对于姿态、模糊、遮挡、尺度等条件具有极强的鲁棒性。
研究成果方面，近期即将召开的计算机视觉顶级学术会议CVPR 2020在近日公布了收录的论文，录取率创下新低，相比去年下降3%，仅有22%，百度仍有高达22篇论文入选，其中人脸方向重要的论文包括：
- HAMBox：Delving into Online High-quality Anchors Mining for Detecting Outer Faces
- BFBox：Searching Face-appropriate Backbone and Feature Pyramid Network for Face Detector
- FaceScape：a Large-scale High Quality 3D Face Dataset and Detailed Riggable 3D Face Prediction
- Hierarchical Pyramid Diverse Attention Network for Face Recognition
此次疫情之下，人脸识别背后的核心技术问题，包括复杂场景多人脸检测、多人脸跟踪定位、实时模型预测、戴口罩人脸识别。
而这些问题，从上述的研究成果来看，百度视觉都或多或少的有所涉及。
如此来看，也就不难理解，为什么百度能够如此高效解决高难度问题。
百度在此次疫情中的贡献，也真正的彰显了那句“能力越大，责任越大”，也体现了出了在计算机视觉领域中领军者的地位。
技术的背后，还有一个百度飞桨
无论是研究还是应用，背后都需要一个强有力的平台支撑。
而此次百度在人脸识别上的成功，离不开技术硬实力，更离不开技术背后的百度飞桨 (PaddlePaddle)。
此外，目前百度戴口罩识别相关基础能力已经通过飞桨Paddle Hub对外开源，避免让更多程序员重复造轮子，可以直接站在百度的肩膀上。
One More Thing
通过百度计算机视觉强悍的能力，已然解决了人群“是否戴口罩”、“戴口罩的人是谁”的问题。
安全、愉快地戴口罩上班已经不是难题。
那么更进一步的，戴口罩手机解锁、刷脸支付，还需要多久能解决呢？
传送门
飞桨(PaddlePaddle)官网:
https://www.paddlepaddle.org.cn/
PaddleSlim平台：
https://github.com/PaddlePaddle/PaddleSlim
Paddle PLSC大规模分类库：
https://github.com/PaddlePaddle/PLSC
PaddleLite平台：
https://github.com/PaddlePaddle/Paddle-Lite
PaddleHub平台：
https://github.com/PaddlePaddle/PaddleHub
— 完 —
量子位 QbitAI · 头条号签约
关注我们，第一时间获知前沿科技动态