在过去的几十年中，人脸分析由于其巨大的商业潜力而被彻底研究。例如，学习人脸的语义可以帮助我们更轻松，更有效地定位潜在客户。尽管人脸识别是用于监视系统或安全控制的成熟技术，但对于我们而言，了解捕获的图像是来自真实人物还是欺骗设备也至关重要。在此博客文章中，我们将讨论在台湾Ailabs和演示系统中所做的事情。
从外观上预测人类的年龄或美丽是非常主观的任务。男人/女人看起来可以比实际年龄年轻，而美丽甚至无法量化。尽管如此，了解近似的外观年龄和美感仍然有助于商品推荐。例如，推荐一个老人/女人一些软饮料可能不是一个好主意，也不能在儿童游乐区放置按摩椅。
在适当的监督下，有几种方法可以估算这两个值。分类告诉我们，我们可以使用独立的垃圾箱来表示年龄或美女分数的范围。这种方法的缺点是范围是手动设置的，可能会导致量化误差。另一方面，使用回归来预测连续值也很自然，但也可能导致没有约束的过度拟合。此外，面部姿势和分辨率也对预测性能产生巨大影响。上述挑战使年龄和美丽的预测变得更加困难。
方法：
年龄和美丽估计
为了解决上述挑战，同时实现非常低的成本，该演示系统基于CVPR2019中最新发布的FSA-Net [1]。它采用软分级回归（SSR）方案[2]来消除量化误差，同时保持较低的内存开销。
对于训练，我们选择128x128x3作为裁剪后的面部分辨率，并放置辅助损失作为量化监督预测。
这种方案的缺点是，在不同的输入图像下可能会出现不稳定的预测。我们使用顺序帧选择管道来稳定最终预测。
最后，仅当检测到的脸部具有足够的分辨率且姿态角非常小时，才将其视为有效脸部，并继续进行估计。只要所选面部图像的质量高且分辨率高，就可以更改替换策略。
面部防欺骗
为了使用纯RGB图像实现反欺骗，我们将处理过程分为两个不同的任务，即手机检测和基于降噪的反欺骗估计。
我们采用著名的YOLOv3 [3]作为手机，笔记本电脑和显示器检测器的检测器。任务1定义为在电话区域内进行检测将被视为伪造的欺骗。taks 2会使用图像的质量和噪点来确定图像是真实的还是伪造的。
演示图片：
以下演示显示我们的系统可以很好地预测年龄和美丽
小结：
诸如年龄和美丽之类的面部属性估计值是由标签数据主观确定的，但是对于商业分析和推荐仍然有用。对于人脸识别，反欺骗对于整个身份验证管道的安全性和鲁棒性也非常重要。我们实现了这些原型，以表明在这些主题上还有更多的潜力，而AI可以真正帮助人们根据这些估计做出更好的决策。
本站部分文章来自互联网，文章版权归原作者所有。如有疑问请联系QQ：3164780！
