सबसे अच्छे iPhone X में से एक अनलॉक विधि है: फेसआईडी। यह आलेख इस तकनीक के संचालन के सिद्धांत पर चर्चा करता है।



एक अवरक्त कैमरे का उपयोग करके उपयोगकर्ता के चेहरे की छवि को कैप्चर किया गया है, जो पर्यावरण के प्रकाश और रंग में परिवर्तन के लिए अधिक प्रतिरोधी है। गहराई से प्रशिक्षण का उपयोग करते हुए, एक स्मार्टफोन उपयोगकर्ता के चेहरे को सबसे छोटे विवरणों में पहचानने में सक्षम होता है, जिससे हर बार जब वह अपने फोन को उठाता है तो मालिक को "पहचानता है"। हैरानी की बात है कि, Apple ने कहा कि यह विधि TouchID से भी अधिक सुरक्षित है: त्रुटि दर 1: 1 000 000 है।

यह लेख Keras का उपयोग करते हुए FaceID के समान एक एल्गोरिथ्म के सिद्धांत की पड़ताल करता है। प्रस्तुत भी Kinect का उपयोग करके बनाए गए कुछ अंतिम घटनाक्रम हैं।

फेसआईडी को समझना

", तंत्रिका नेटवर्क, जिस पर फेसआईडी तकनीक आधारित है, केवल वर्गीकरण का प्रदर्शन नहीं करती है।"

पहला कदम यह है कि iPhone X पर फेसआईडी कैसे काम करता है, इसका विश्लेषण करना है। तकनीकी दस्तावेज हमें इसमें मदद कर सकते हैं। टचआईडी के साथ, उपयोगकर्ता को पहले कई बार सेंसर को टैप करके अपनी उंगलियों के निशान को पंजीकृत करना पड़ता था। 10-15 अलग-अलग स्पर्शों के बाद, स्मार्टफोन पंजीकरण पूरा करता है।

इसी तरह फेसआईडी के साथ: उपयोगकर्ता को अपना चेहरा पंजीकृत करना होगा। यह प्रक्रिया काफी सरल है: उपयोगकर्ता बस फोन को देखता है जैसा कि वह इसे दैनिक करता है, और फिर धीरे-धीरे उसके सिर को एक सर्कल में बदल देता है, जिससे उसका चेहरा अलग-अलग पोज में दर्ज होता है। यह पंजीकरण समाप्त करता है, और फोन अनलॉक करने के लिए तैयार है। यह अविश्वसनीय रूप से तेज़ पंजीकरण प्रक्रिया बुनियादी शिक्षण एल्गोरिदम के बारे में बहुत कुछ बता सकती है। उदाहरण के लिए, तंत्रिका नेटवर्क, जिस पर फेसआईडी तकनीक आधारित है, केवल वर्गीकरण का प्रदर्शन नहीं करती है।

तंत्रिका नेटवर्क के लिए एक वर्गीकरण का प्रदर्शन करने का मतलब यह है कि यह भविष्यवाणी करने की क्षमता है कि वह जिस व्यक्ति को देख रही है वह इस समय उपयोगकर्ता का चेहरा है। इसलिए, उसे "सही" या "गलत" भविष्यवाणी करने के लिए कुछ प्रशिक्षण डेटा का उपयोग करना चाहिए, लेकिन कई अन्य गहन शिक्षण अनुप्रयोगों के विपरीत, यह दृष्टिकोण यहां काम नहीं करेगा।

सबसे पहले, नेटवर्क को उपयोगकर्ता के चेहरे से प्राप्त नए डेटा का उपयोग करके, खरोंच से प्रशिक्षित करना होगा। नकारात्मक उदाहरणों के लिए विभिन्न व्यक्तियों (उपयोगकर्ता का चेहरा नहीं होने) से बहुत अधिक समय, ऊर्जा और बहुत सारे डेटा की आवश्यकता होगी। इसके अलावा, यह विधि Apple को एक अधिक जटिल नेटवर्क "ऑफ़लाइन", अर्थात इसकी प्रयोगशालाओं में प्रशिक्षित करने की अनुमति नहीं देगी, और फिर इसे पहले से ही प्रशिक्षित और अपने फोन पर उपयोग करने के लिए तैयार भेज देगी। यह माना जाता है कि फेसआईडी सियामी कन्वेन्शियल न्यूरल नेटवर्क पर आधारित है, जिसे विभिन्न लोगों के चेहरों के बीच के अंतर को अधिकतम करने के लिए "ऑफ़लाइन" प्रशिक्षित किया जाता है, जिसका गठन विभिन्न लोगों के चेहरों के बीच अंतर को कम करने के लिए किया जाता है। आपको एक आर्किटेक्चर मिलता है जो कि एक बार की ट्रेनिंग कर सकता है, जैसा कि कीनोट में बताया गया है।

चेहरे से लेकर नंबरों तक

सियामी न्यूरल नेटवर्क में मूल रूप से दो समान तंत्रिका नेटवर्क होते हैं, जो सभी भार को साझा करते हैं। यह आर्किटेक्चर विशिष्ट डेटा, जैसे छवियों के बीच की दूरी को भेदना सीख सकता है। यह विचार है कि आप डेटा जोड़े को स्याम देश के नेटवर्क के माध्यम से प्रसारित करते हैं (या एक ही नेटवर्क के माध्यम से दो अलग-अलग चरणों में डेटा स्थानांतरित करते हैं), नेटवर्क उन्हें अंतरिक्ष के कम-आयामी विशेषताओं में प्रदर्शित करता है, जैसे n-आयामी सरणी, और फिर आप नेटवर्क को प्रशिक्षित करते हैं, ऐसी तुलना करना कि विभिन्न वर्गों के बिंदुओं का डेटा जहाँ तक संभव हो, जबकि एक ही वर्ग के अंकों का डेटा यथासंभव समीप हो।

अंततः, नेटवर्क डेटा से सबसे महत्वपूर्ण कार्यों को निकालने और उन्हें एक सरणी में संपीड़ित करना सीखेगा, जिससे एक छवि बन जाएगी। इसे समझने के लिए, कल्पना करें कि आप एक छोटे वेक्टर का उपयोग करके कुत्ते की नस्लों का वर्णन कैसे करेंगे ताकि समान कुत्तों में लगभग समान वैक्टर होंगे। आप शायद कुत्ते के रंग को सांकेतिक शब्दों में बदलना करने के लिए एक नंबर का उपयोग करेंगे, दूसरा कुत्ते के आकार को इंगित करने के लिए, कोट की लंबाई के लिए तीसरा, आदि। इस प्रकार, जो कुत्ते एक जैसे हैं, उनके समान वैक्टर होंगे। एक सियामी तंत्रिका नेटवर्क आपके लिए ऐसा कर सकता है, जैसे एक ऑटो-एनकोडर करता है।



इस तकनीक का उपयोग करते हुए, सबसे समान लोगों को पहचानने के लिए इस तरह के आर्किटेक्चर को प्रशिक्षित करने के लिए बड़ी संख्या में व्यक्तियों की आवश्यकता होती है। सही बजट और कंप्यूटिंग शक्ति (जैसा कि Apple करता है) के साथ, आप जुड़वाँ, मास्क, आदि जैसी स्थितियों के लिए नेटवर्क को लचीला बनाने के लिए अधिक परिष्कृत उदाहरणों का उपयोग कर सकते हैं।

इस दृष्टिकोण का अंतिम लाभ क्या है? इस तथ्य में कि आपके पास अंत में एक प्लग एंड प्ले मॉडल है जो बिना किसी अतिरिक्त तैयारी के विभिन्न उपयोगकर्ताओं को पहचान सकता है, लेकिन फेसआईडी सेट करने के बाद बने छिपे हुए चेहरे के नक्शे पर उपयोगकर्ता के चेहरे के स्थान की गणना करता है। इसके अलावा, फेसआईडी आपके स्वरूप में परिवर्तन के अनुकूल होने में सक्षम है: दोनों अचानक (उदाहरण के लिए, चश्मा, टोपी, मेकअप), और "क्रमिक" (बढ़ते बाल)। यह मानचित्र में आपके नए रूप के आधार पर गणना किए गए फेस सपोर्ट वैक्टर को जोड़कर किया जाता है।

कैरस के साथ फेसआईडी को लागू करना

सभी मशीन लर्निंग प्रोजेक्ट्स के लिए, पहली चीज जो हमें चाहिए वह है डेटा। अपना खुद का डेटा सेट बनाने के लिए कई लोगों के समय और सहयोग की आवश्यकता होगी, इसलिए यह मुश्किल हो सकता है। आरजीबी-डी चेहरों के डेटासेट के साथ एक वेबसाइट है। इसमें अलग-अलग पोज़ में खड़े लोगों और विभिन्न चेहरे के भावों के RGB-D तस्वीरों की एक श्रृंखला शामिल है, जैसा कि iPhone X के साथ होगा। अंतिम कार्यान्वयन को देखने के लिए, यहाँ GitHub का लिंक दिया गया है।

स्क्वीज़नेट आर्किटेक्चर के आधार पर एक कन्वेंशन नेटवर्क बनाया जाता है। इनपुट के रूप में, नेटवर्क चेहरे और 4-चैनल छवियों के जोड़े के RGBD दोनों छवियों को स्वीकार करता है, और दो अनुलग्नकों के बीच अंतर प्रदर्शित करता है। नेटवर्क महत्वपूर्ण नुकसान के साथ सीखता है, जो एक ही व्यक्ति की छवियों के बीच अंतर को कम करता है और विभिन्न चेहरों की छवियों के बीच अंतर को अधिकतम करता है।



प्रशिक्षण के बाद, नेटवर्क 128-आयामी सरणियों में चेहरे को बदलने में सक्षम है, ताकि एक ही व्यक्ति की तस्वीरों को एक साथ समूहीकृत किया जाए। इसका मतलब है कि डिवाइस को अनलॉक करने के लिए, तंत्रिका नेटवर्क बस उस छवि के बीच अंतर की गणना करता है जो पंजीकरण चरण के दौरान संग्रहीत छवियों के साथ अनलॉक करने के दौरान आवश्यक है। यदि अंतर एक विशिष्ट मूल्य से मेल खाता है, तो डिवाइस अनलॉक किया गया है।

टी-एसएनई एल्गोरिथ्म का उपयोग किया जाता है। प्रत्येक रंग एक व्यक्ति से मेल खाता है: जैसा कि आप देख सकते हैं, नेटवर्क ने इन तस्वीरों को काफी कसकर समूह बनाना सीखा है। डेटा आयाम को कम करने के लिए पीसीए एल्गोरिथ्म का उपयोग करते समय एक दिलचस्प ग्राफ भी उत्पन्न होता है।

एक प्रयोग

अब आइए यह देखने का प्रयास करें कि यह मॉडल कैसे काम करता है, एक सामान्य फेसआईडी लूप का अनुकरण करता है। सबसे पहले, व्यक्ति को पंजीकृत करें। फिर हम इसे उपयोगकर्ता की ओर से और अन्य लोगों से अनलॉक करेंगे, जिन्हें डिवाइस को अनलॉक नहीं करना चाहिए। जैसा कि पहले उल्लेख किया गया है, फोन और पंजीकृत व्यक्ति को "देखने" वाले व्यक्ति के बीच का अंतर एक निश्चित सीमा है।

पंजीकरण के साथ शुरू करते हैं। डेटा सेट से एक ही व्यक्ति की तस्वीरों की एक श्रृंखला लें और पंजीकरण चरण का अनुकरण करें। अब डिवाइस इनमें से प्रत्येक के लिए संलग्नक की गणना करता है और उन्हें स्थानीय रूप से बचाता है।





आइए देखें कि क्या होता है अगर वही उपयोगकर्ता डिवाइस को अनलॉक करने की कोशिश करता है। एक ही उपयोगकर्ता के विभिन्न पोज़ और चेहरे के भाव कम अंतर प्राप्त करते हैं, औसतन लगभग 0.30।


दूसरी ओर, विभिन्न लोगों की छवियों को लगभग 1.1 का औसत अंतर मिलता है।



इस प्रकार, अजनबियों को फोन को अनलॉक करने से रोकने के लिए लगभग 0.4 का थ्रेसहोल्ड मान पर्याप्त होना चाहिए।

इस पोस्ट में, मैंने दिखाया कि फेसिंग अनलॉकिंग मैकेनिक्स टेस्ट कॉन्सेप्ट को एम्बेडिंग चेहरों और सियामी कनवल्शन नेटवर्क के आधार पर कैसे लागू किया जाए। मुझे आशा है कि जानकारी आपके लिए उपयोगी थी। आप सभी रिश्तेदार पायथन कोड यहां पा सकते हैं।

नई तकनीकों का अधिक विश्लेषण - टेलीग्राम चैनल में ।

सभी ज्ञान!