NIST全球权威人脸识别算法测试结果公布,前五名中三名来自中国

近日,由美国国家标准与技术研究院 NIST(National Institute of Standards and Technology) 组织的人脸识别算法测试 FRVT 2018 结果公布,前五名被三家中国公司和两家俄罗斯公司包揽,其中冠军被中国公司依图科技再度摘得。本文对比赛结果进行了介绍。

美国国家标准与技术研究院(National Institute of Standards and Technology,NIST)直属美国商务部,主要任务是建立国家计量基准与标准,提供为美国工业和国防服务的测试技术,参加标准化技术委员会制定标准等。

NIST 指导下的人脸识别算法测试,数据均来自真实业务场景,意味着测试结果代表该技术在实战场景中的表现;数据规模是通过对百亿对样本采样,达到百万量级。

如此大规模的测试集可以稳定评估算法性能,详细区分不同算法的优劣;测试数据不公开 (盲测),这保证了测试的公正性,因为参赛的算法团队无法利用测试数据做模型训练,可以有效避免过拟合或直接作弊等手段。

该测试以其评测标准的严谨性、一致性和全面性,成为了全球规模最大、标准最严、竞争最激烈、最权威的人脸识别算法比赛。

在 2018 年 6 月最新公布的人脸识别算法测试结果中,获得人脸识别冠军的是中国人工智能公司依图科技(yitu-001),这是该公司第二次获得 NIST 比赛人脸识别冠军。2017 年 6 月 NIST 官方公布的测试结果中,依图在千万分之一误报下达到识别准确率 95.5%,是当时全球工业界在此项指标下的最好水平。

来源:https://www.nist.gov/programs-projects/face-recognition-vendor-test-frvt-ongoing

根据官方报告,今年依图将这一指标提升到了接近极限的水平,即在千万分之一误报下的识别准确率已经接近 99%。另外值得注意的是,依图去年夺冠的算法,在时隔一年后仍位列今年 6 月测试结果前十位。

依图科技成立于 2012 年,由加州大学洛杉矶分校统计学博士、麻省理工学院人工智能实验室博士后研究员朱珑,和前阿里云技术总监林晨曦共同创立。今年 6 月,依图宣布完成由高成资本、工银国际、浦银国际投资的 2 亿美元 C+轮融资。

测试结果第二名来自中国科学院深圳先进技术研究院(sait)。该研究院成立于 2006 年,由中国科学院、深圳市人民政府及香港中文大学在深圳市共同建立,城市大数据计算被纳入该学院重点培养领域。国内人脸识别独角兽商汤科技的联合创始人汤晓鸥为该院的副院长。

在榜单中排名前五的另一位「中国队队员」是旷视科技(megvii-001)。旷视科技成立于 2011 年,联合创始人兼首席执行官印奇为清华大学姚期智实验班学士、哥伦比亚大学计算机科学硕士。2011 年 10 月,印奇与两位清华同学唐文斌、杨沐共同创办了北京旷视科技有限公司。根据 NIST 官方 4 月发布的竞赛结果,旷视科技也曾登顶榜首,在百万分之一误报下的准确率为 97.5%。(https://www.nist.gov/sites/default/files/documents/2018/02/15/frvt_report_2018_02_15.pdf) 

旷视科技基于深度学习和物联传感等核心科技,深耕金融安全、城市安防、手机 AR、商业物联、工业机器人五大行业。2017 年 10 月旷视科技宣布完成 4.6 亿美元融资,由中国国有资本风险投资基金、蚂蚁金服、富士康集团联合领投,中俄战略投资基金、阳光保险集团、SK 集团等参投。该轮融资由 C1、C2 两轮构成,4.6 亿美元的数额也打破了当时全球人工智能领域融资纪录。

除了三家中国公司以外,俄罗斯企业也表现出十分强劲的实力。

NIST 此次公布的榜单第三名被俄罗斯新兴公司 NTechLab 斩获,NTechLab 由计算机科学家 Artem Kukharenko 和数字通信顾问 AlexanderKabakov 在 2015 年创立,目前已经完成首轮融资 150 万美金。

NTechLab 在 2015 年赢得了在美国华盛顿州举行的 Megaface 面部识别挑战赛,击败了包括 Google 在内的其他 90 个团队。当时,NTechLab 就已经能在包含 100 万张照片的数据库中取得 73% 的准确率;在包含 1 万张照片的数据库中,取得 95% 准确率的惊人成绩,一举击败了 Google,并在 2017 年夺得 EmotioNet Challenge 第一名,实力不容小觑。NTechLab 目前将技术主要应用于视频安防和零售领域。

第四名的俄罗斯企业 Vocord 是老牌安防厂商,成立于 1999 年,是基于计算机视觉和智能视频处理算法的高科技安全系统的开发商和制造商,其人脸识别算法在 2016-2017 年的 MegaFace 公开挑战赛中名列第一。

NIST 是全球人脸识别最权威的测试、工业界的黄金标准,来自中国的算法技术能够在全球实力强大的竞争对手中名列前茅,甚至两度成为世界冠军,证明在人工智能核心领域,中国已经站在了世界的最前列。

产业依图科技创业公司计算机视觉旷视科技商汤科技
31
相关数据
计算机视觉技术
Computer Vision

计算机视觉(CV)是指机器感知环境的能力。这一技术类别中的经典任务有图像形成、图像处理、图像提取和图像的三维推理。目标识别和面部识别也是很重要的研究领域。

人脸识别技术
Facial recognition

广义的人脸识别实际包括构建人脸识别系统的一系列相关技术,包括人脸图像采集、人脸定位、人脸识别预处理、身份确认以及身份查找等;而狭义的人脸识别特指通过人脸进行身份确认或者身份查找的技术或系统。 人脸识别是一项热门的计算机技术研究领域,它属于生物特征识别技术,是对生物体(一般特指人)本身的生物特征来区分生物体个体。

工业机器人技术
Industrial robot

工业机器人是面向工业加工制造的可自动控制,多用途,需有三轴及以上可编程的固定或可移动机械手。其系统中包括带有执行机构的机械手以及示教控制器。 它可以依靠自身控制能力来执行预设的轨迹及动作。典型应用包括焊接,刷漆,组装,采集和放置等工作。工业机器人完成工作具有高效性,持久性和准确性。目前常用的工业机器人包括关节机器人,SCARA机器人,并联机器人和直角坐标机器人等。

过拟合技术
Overfitting

过拟合是指为了得到一致假设而使假设变得过度严格。避免过拟合是分类器设计中的一个核心任务。通常采用增大数据量和测试样本集的方法对分类器性能进行评价。

深度学习技术
Deep learning

深度学习(deep learning)是机器学习的分支,是一种试图使用包含复杂结构或由多重非线性变换构成的多个处理层对数据进行高层抽象的算法。 深度学习是机器学习中一种基于对数据进行表征学习的算法。观测值(例如一幅图像)可以使用多种方式来表示,如每个像素强度值的向量,或者更抽象地表示成一系列边、特定形状的区域等。而使用某些特定的表示方法更容易从实例中学习任务(例如,人脸识别或面部表情识别)。 近年来监督式深度学习方法(以反馈算法训练CNN、LSTM等)获得了空前的成功,而基于半监督或非监督式的方法(如DBM、DBN、stacked autoencoder)虽然在深度学习兴起阶段起到了重要的启蒙作用,但仍处在研究阶段并已获得不错的进展。在未来,非监督式学习将是深度学习的重要研究方向,因为人和动物的学习大多是非监督式的,我们通过观察来发现世界的构造,而不是被提前告知所有物体的名字。 至今已有数种深度学习框架,如卷积神经网络和深度置信网络和递归神经网络等已被应用在计算机视觉、语音识别、自然语言处理、音频识别与生物信息学等领域并获取了极好的效果。

准确率技术
Accuracy

分类模型的正确预测所占的比例。在多类别分类中,准确率的定义为:正确的预测数/样本总数。 在二元分类中,准确率的定义为:(真正例数+真负例数)/样本总数

商汤机构
SenseTime

旷视机构
Face++

涉及领域
机器之心
机器之心

机器之心是国内领先的前沿科技媒体和产业服务平台,关注人工智能、机器人和神经认知科学,坚持为从业者提供高质量内容和多项产业服务。

推荐文章
从视频到语句,优必选获TRECVID 2017子任务冠军从视频到语句,优必选获TRECVID 2017子任务冠军
机器之心机器之心
致研究者:2018 AI 研究趋势致研究者:2018 AI 研究趋势
机器之心机器之心
1
这件事太重要,全球科学家聚首讨论基因编辑新技术这件事太重要,全球科学家聚首讨论基因编辑新技术
机器之心机器之心
返回顶部