- Hvad vi gør
-
-
-
Specialiseret
-
-
-
- Off-the-shelf Data
-
- Solutions
- perron
- Om os
ansigtsgenkendelse
Optimer dine ansigtsgenkendelsesmodeller for nøjagtighed med de bedste billeddata
I dag er vi ved begyndelsen af næste generations mekanisme, hvor vores ansigter er vores adgangskoder. Gennem anerkendelsen af unikke ansigtsegenskaber kan maskiner registrere, om den person, der forsøger at få adgang til en enhed, er autoriseret, matche CCTV-optagelser med faktiske billeder for at spore forbrydere og misligholdere, reducere kriminalitet i butikker og meget mere. Med enkle ord er dette teknologien, der scanner en persons ansigt for at godkende adgang eller udføre et sæt handlinger, den er designet til at udføre. I backend-enheden arbejder tonsvis af algoritmer og moduler med utrolige hastigheder for at udføre beregninger og matche ansigtsegenskaber (som former og polygoner) for at udføre vigtige opgaver.
En persons ansigt ser anderledes ud end hver vinkel, profil og perspektiv. En maskine skal være i stand til nøjagtigt at fortælle, om det er den samme person, uanset om personen stirrer på enheden uanset et frontneutralt perspektiv eller lige nedenunder.
En model skal præcist fortælle, om en person smiler, rynker panden, græder eller stirrer ved at se på dem eller deres billeder. Det skal være i stand til at forstå, at øjnene kan se ens ud, når en person enten er overrasket eller bange og derefter opdager det nøjagtige udtryk fejlfrit.
Synlige differentiatorer som modermærker, ar, brandforbrændinger og mere er differentiatorer, der er unikke for enkeltpersoner og bør overvejes af AI-moduler for at træne og behandle ansigter bedre. Modeller skal være i stand til at opdage dem og tilskrive dem som ansigtsegenskaber og ikke bare springe dem over.
Uanset om du har brug for dataindsamling af ansigtsbilleder (bestående af forskellige ansigtstræk, perspektiver, udtryk eller følelser) eller annoteringstjenester for ansigtsbillededata (til tagging af synlig differentiator, ansigtsudtryk med passende metadata, f.eks. smilende, rynkende pander osv.), er vores bidragydere fra over hele kloden kan opfylde dine behov for træningsdata hurtigt og i stor skala.
For at dit AI-system kan levere nøjagtige resultater, skal det trænes med tusindvis af menneskelige ansigtsdatasæt. Jo mere mængden af ansigtsbilleddata, jo bedre. Det er derfor, vores netværk kan hjælpe dig med at hente millioner af datasæt, så dit ansigtsgenkendelsessystem er trænet med de mest passende, relevante og kontekstuelle data. Vi forstår også, at din geografi, markedssegment og demografi kan være meget specifikke. For at imødekomme alle dine behov leverer vi brugerdefinerede ansigtsbillededata på tværs af forskellige etniciteter, aldersgrupper, racer og mere. Vi implementerer strenge retningslinjer for, hvordan ansigtsbilleder skal uploades til vores system med hensyn til opløsninger, filformater, belysning, positurer og mere.
Når du erhverver ansigtsbilleder af høj kvalitet, har du kun udført 50 % af opgaven. Dine ansigtsgenkendelsessystemer ville stadig give dig meningsløse resultater (eller slet ingen resultater), når du indlæser erhvervede billeddatasæt i dem. For at starte træningsprocessen skal du få dit ansigtsbillede kommenteret. Der er flere ansigtsgenkendelsesdatapunkter, der skal markeres, bevægelser, der skal mærkes, følelser og udtryk, der skal kommenteres og mere. Hos Shaip kan vi hjælpe dig med kommenterede ansigtsbilleder med vores teknikker til ansigtsmærkegenkendelse. Alle indviklede detaljer og aspekter af ansigtsgenkendelse er kommenteret for nøjagtighed af vores egne interne veteraner, som har været i AI-spektret i årevis.
Vores team af eksperter kan indsamle og kommentere ansigtsbilleder på vores proprietære billedannoteringsplatform, men de samme annotatorer kan efter en kort træning også annotere ansigtsbilleder på din interne billedannoteringsplatform. Inden for et kort tidsrum vil de være i stand til at kommentere tusindvis af ansigtsbilleder baseret på stringente specifikationer og med den ønskede kvalitet.
Uanset din idé eller markedssegment, har du brug for rigelige mængder data, der skal annoteres for at kunne trænes. For at få en hurtig idé om nogle af de brugssager, du kan nå ud til os, er her en liste.
Baggrund
I et forsøg på at øge nøjagtigheden og mangfoldigheden af AI-drevne ansigtsgenkendelsesmodeller blev et omfattende dataindsamlingsprojekt igangsat. Projektet fokuserede på at indsamle forskellige ansigtsbilleder og videoer på tværs af forskellige etniciteter, aldersgrupper og lysforhold. Dataene blev omhyggeligt organiseret i flere forskellige datasæt, der hver især tjente specifikke use cases og branchekrav.
Oversigt over datasæt
| Detaljer | Brug Case 1 | Brug Case 2 | Brug Case 3 |
|---|---|---|---|
| Use Case | Historiske billeder af 15,000 unikke emner | Ansigtsbilleder af 5,000 unikke motiver | Billeder af 10,000 unikke emner |
| Objektiv | At bygge et robust datasæt af historiske ansigtsbilleder til avanceret AI-modeltræning. | At skabe et mangfoldigt ansigtsdatasæt specifikt til de indiske og asiatiske markeder. | At indsamle en bred vifte af ansigtsbilleder, der fanger forskellige vinkler og udtryk. |
| Datasætsammensætning | emner: 15,000 unikke individer. Datapunkter: Hvert emne gav 1 tilmeldingsbillede + 15 historiske billeder. Yderligere data: 2 videoer (indendørs og udendørs), der fanger hovedbevægelser for 1,000 motiver. | emner: 5,000 unikke individer. | emner: 10,000 unikke individer Datapunkter: Hvert emne gav 15-20 billeder, der dækkede flere vinkler og udtryk. |
| Etnicitet og demografi | Etnisk opdeling: Sort (35 %), østasiatisk (42 %), sydasiatisk (13 %), hvid (10 %). Køn: 50 % kvinder, 50 % mænd. Aldersspænd: Billeder dækker op til de sidste 10 år af hvert motivs liv med fokus på personer i alderen 18+. | Etnisk opdeling: Indisk (50 %), asiatisk (20 %), sort (30 %). Aldersspænd: 18 til 60 år. Kønsfordeling: 50 % kvinder, 50 % mænd. | Etnisk opdeling: Kinesisk etnicitet (100%). Køn: 50 % kvinder, 50 % mænd. Aldersspænd: 18-26 år gammel. |
| Bind | 15,000 tilmeldingsbilleder, 300,000+ historiske billeder og 2,000 videoer | 35 selfies pr. motiv, i alt 175,000 billeder. | 150,000 – 200,000 billeder. |
| kvalitetsstandarder | Billeder i høj opløsning (1920 x 1280) med strenge retningslinjer for belysning, ansigtsudtryk og billedklarhed. | Forskellige baggrunde og påklædning, ingen ansigtsforskønnelse og ensartet billedkvalitet på tværs af datasættet. | Billeder i høj opløsning (2160 x 3840 pixels), præcist portrætforhold og varierede vinkler og udtryk. |
| Detaljer | Brug Case 4 | Brug Case 5 | Brug Case 6 |
|---|---|---|---|
| Use Case | Billeder af 6,100 unikke motiver (seks menneskelige følelser) | Billeder af 428 unikke motiver (9 lysscenarier) | Billeder af 600 unikke emner (etnicitetsbaseret samling) |
| Objektiv | At samle ansigtsbilleder, der skildrer seks forskellige menneskelige følelser til følelsesgenkendelsessystemer. | Til at tage ansigtsbilleder under forskellige lysforhold til træning af AI-modeller. | At skabe et datasæt, der fanger mangfoldigheden af etniciteter for forbedret AI-modelydelse. |
| Datasætsammensætning | emner: 6,100 individer fra Øst- og Sydasien. Datapunkter: 6 billeder pr. motiv, der hver repræsenterer en anden følelse. Etnisk opdeling: Japansk (9,000 billeder), koreansk (2,400), kinesisk (2,400), sydøstasiatisk (2,400), sydasiatisk (2,400). | emner: 428 indiske individer. Datapunkter: 160 billeder pr. motiv på tværs af 9 forskellige lysforhold. | emner: 600 unikke individer med forskellig etnisk baggrund. Etnisk opdeling: Afrikansk (967 billeder), mellemøstlig (81), indianer (1,383), sydasiatisk (738), sydøstasiatisk (481). Aldersspænd: 20 til 70 år. |
| Bind | 18,600 billeder | 74,880 billeder | 3,752 billeder |
| kvalitetsstandarder | Strenge retningslinjer for ansigtssynlighed, belysning og udtrykskonsistens. | Klare billeder med ensartet belysning og en afbalanceret repræsentation af alder og køn. | Billeder i høj opløsning med fokus på etnisk mangfoldighed og sammenhæng på tværs af datasættet. |
12k billeder med variationer omkring hovedstilling, etnicitet, køn, baggrund, optagelsesvinkel, alder osv. med 68 skelsættende punkter
22k ansigtsvideodatasæt fra flere lande med flere poseringer til ansigtsgenkendelsesmodeller
2.5k+ billeder fra 3,000+ personer. Datasæt indeholder billeder af en gruppe på 2-6 personer fra flere geografier
20k videoer af ansigter med masker til opbygning/træning af Spoof Detection AI-model
Tilbyder træningsdata til ansigtsgenkendelse til flere brancher
Ansigtsgenkendelse er den nuværende raseri på tværs af segmenter, hvor unikke brugssager testes og rulles ud til implementeringer. Fra sporing af børnehandlere og implementering af bio-ID i organisationslokaler til at studere uregelmæssigheder, der kan gå uopdaget til det normale øje, hjælper ansigtsgenkendelse virksomheder og industrier på et utal af måder.
Forøg autonome køreegenskaber med ansigtsgenkendelsesdatasæt designet til førerovervågning og sikkerhedssystemer i bilen
Forbedre kundeoplevelsen med ansigtsgenkendelsesdatasæt til personaliserede butikstjenester og problemfri kasseprocesser.
Lever personlige indkøbsoplevelser og forbedre kundegodkendelse i e-handelsplatforme.
Styrk patientidentifikation og diagnostisk nøjagtighed med specialiserede ansigtsgenkendelsesdatasæt til sundhedsapplikationer
Løft gæstetjenester med ansigtsgenkendelsesdatasæt for problemfri check-in og personlige oplevelser i gæstfrihed.
Styrk sikkerhedsforanstaltninger med ansigtsgenkendelsesdatasæt, der er optimeret til overvågning, trusselsdetektion og forsvarsapplikationer.
Dedikerede og uddannede hold:
Højeste proceseffektivitet sikres med:
Den patenterede platform giver fordele:
Computersyn handler om at give mening om den visuelle verden til at træne computersynsapplikationer. Dens succes koger helt ned til det, vi kalder billednotering - den grundlæggende proces bag teknologien, der får maskiner til at træffe intelligente beslutninger, og det er netop det, vi skal diskutere og udforske.
Mennesker er dygtige til at genkende ansigter, men vi fortolker også udtryk og følelser helt naturligt. Forskning siger, at vi kan identificere personligt kendte ansigter inden for 380 ms efter præsentation og 460 ms for ukendte ansigter. Men denne iboende menneskelige kvalitet har nu en konkurrent inden for kunstig intelligens og computersyn.
Mennesker har den medfødte evne til at skelne og præcist identificere objekter, mennesker og steder fra fotografier. Dog har computere ikke mulighed for at klassificere billeder. Alligevel kan de trænes til at fortolke visuel information ved hjælp af computersynsapplikationer og billedgenkendelsesteknologi.
Styrke teams til at opbygge verdensledende AI-produkter.
Lad os diskutere dine træningsdata behov for ansigtsgenkendelsesmodeller
Ansigtsgenkendelse er en af de integrerede komponenter i intelligent biometrisk sikkerhed, der sigter mod at bekræfte eller godkende en persons identitet. Som en teknologi bruges den til at fastslå, identificere og kategorisere mennesker i videoer, fotos og endda feeds i realtid.
Ansigtsgenkendelse fungerer ved at matche enkeltpersoners fangede ansigter med en relevant database. Processen starter med detektion, efterfulgt af en 2D- og 3D-analyse, billed-til-datakonvertering og til sidst matchmaking.
Ansigtsgenkendelse, som en opfindsom visuel identifikationsteknologi, er ofte det primære grundlag for oplåsning af smartphones og computere. Imidlertid er dens tilstedeværelse i retshåndhævelse, dvs. at hjælpe embedsmænd med at indsamle krusbilleder af de mistænkte og matche dem med databaser, også et eksempel.
Hvis du planlægger at træne en vertikalspecifik AI-model med computervision, skal du først gøre den i stand til at identificere billeder og ansigter af enkeltpersoner og derefter starte overvåget læring ved at indføre nyere teknikker som semantik, segmentering og polygonannotering. Ansigtsgenkendelse er derfor springbrættet for træning af sikkerhedsspecifikke AI-modeller, hvor individuel identifikation prioriteres frem for objektdetektering.
Ansigtsgenkendelse kan være rygraden i flere intelligente systemer i den post-pandemiske æra. Fordelene omfatter forbedret detailoplevelse ved hjælp af Face Pay -teknologi, bedre bankoplevelse, reduceret kriminalitet i detailhandelen, hurtigere identifikation af savnede personer, forbedret patientpleje, nøjagtig tilstedeværelsessporing og mere.
Vi skræddersyer vores datasæt til at imødekomme de specifikke behov i forskellige industrier, såsom bilindustrien, detailhandel, sundhedspleje og sikkerhed, og sikrer, at dataene stemmer overens med branchespecifikke krav og applikationer.
Vi overholder strenge databeskyttelsesstandarder og overholder globale regler såsom GDPR, hvilket sikrer, at alle ansigtsgenkendelsesdata er etisk fremskaffet og anonymiseret efter behov.
Vores datasæt er kendetegnet ved deres mangfoldighed, skalerbarhed og højkvalitets annoteringer, hvilket gør dem ideelle til træning af nøjagtige og pålidelige ansigtsgenkendelsesmodeller på tværs af forskellige industrier.