Gesichtserkennung
Entscheiden, ob zwei Gesichter dieselbe Person sind
Der vollständige Artikel liegt auf Englisch vor; Titel und Zusammenfassung sind lokalisiert.
WAS DIESE FÄHIGKEIT BEDEUTET
Takes one or two face images and outputs an identity decision: verification answers whether the two are the same person, while identification asks who in a gallery a face matches. Faces are first aligned and encoded into feature vectors, then compared by distance. Unlike classification the class set is not fixed; the comparison target comes from a dynamic gallery.
Wie sie technisch umgesetzt wird
The pipeline typically detects a face, aligns it by keypoints, and extracts a feature vector with a deep network trained by metric learning to pull the same person together and push others apart. Early systems relied on hand-crafted features; deep metric learning around 2014 pushed accuracy past the practical threshold. Liveness detection, which separates a live person from a photo or a mask, is an indispensable part of any deployment.
Repräsentative Produkte
1Beteiligte Organisationen
Typische Verwendungen
- Access control and ID verification
- Automatic people grouping in photo albums
- Identity confirmation for remote account opening
- Video search and person tracking
Wie sie bewertet wird
- 1:1 verification accuracy
- Correct same-or-different decisions
- TAR@FAR
- True accept rate at a fixed false accept rate
- Identification mAP
- Ranking quality when searching a gallery
Grenzen und schwierige Punkte
- Large pose differences, age gaps and harsh lighting push the same person apart in feature space
- Uneven training data produces systematic bias across skin tones and genders
- Photos, replayed video and realistic masks can fool the system, so liveness detection is required, not optional
Konzepte dahinter
Digitale Bilddarstellung
Für eine Maschine ist ein Foto nichts als gestapelte Zahlenraster
Selbstüberwachtes Sehen und kontrastives multimodales Lernen
Keine Labels nötig: Sehen lernen, indem es erkennt, welche Bilder gleich sind
Modellbewertung und Kreuzvalidierung
Genauigkeit ist die täuschendste Metrik – falsch ausgewertet, bricht alles Weitere zusammen