⇧ ありがたいツールですが、なかなかにソースコードが処理が追い辛い...
JavaもJSPとかThymeleafとかを使うと、JavaのコードとHTMLとJavaScriptが混ぜ込ぜになるけども、これはもう動的なページを作る上での宿命みたいなものか...
サーバサイド側のAPIのエンドポイントにリクエストして、レスポンスを受け取る形であれば、多少、ごちゃ混ぜ感は緩和されそうだけども...
一般的な顔認証の処理フローを確認してみる
何やら、
⇧ NECさんが、「biometrics（生体認証）」の魁のような感じなのですが、
⇧ NECさんの「顔認証」のフローを見る限り、
- 物体検出（顔認識）
- 特徴量抽出
- 特徴量算出（数値に変換）
- データベースに特徴量を登録
- 登録データと照合（認証）
のようなステップの処理フローになっていそうですと。
顔認証に関連しそうなアルゴリズムは、
⇧ 有志の方々が時系列で整理してくれているようです。
BioMetricNetは、従来の顔認証のモデルを構築するアルゴリズムと何が異なるのか
で、何やら、
BioMetricNet: deep unconstrained face verification through learning of metrics regularized onto Gaussian distributions
We present BioMetricNet: a novel framework for deep unconstrained face verification which learns a regularized metric to compare facial features.
Differently from popular methods such as FaceNet, the proposed approach does not impose any specific metric on facial features; instead, it shapes the decision space by learning a latent representation in which matching and non-matching pairs are mapped onto clearly separated and well-behaved target distributions.
In particular, the network jointly learns the best feature representation, and the best metric that follows the target distributions, to be used to discriminate face images. In this paper we present this general framework, first of its kind for facial verification, and tailor it to Gaussian distributions. This choice enables the use of a simple linear decision boundary that can be tuned to achieve the desired trade-off between false alarm and genuine acceptance rate, and leads to a loss function that can be written in closed form. Extensive analysis and experimentation on publicly available datasets such as Labeled Faces in the wild (LFW), Youtube faces (YTF), Celebrities in Frontal-Profile in the Wild (CFP), and challenging datasets like cross-age LFW (CALFW), cross-pose LFW (CPLFW), In-the-wild Age Dataset (AgeDB) show a significant performance improvement and confirms the effectiveness and superiority of BioMetricNet over existing state-of-the-art methods.
⇧ 従来の方法と比べて、パフォーマンスが優れているとのこと。
ネットの情報を漁っていたところ、
今回提案する方法であるBioMetricNetでは、出力値の分布は分かっているので、モデルのFAR（False Acceptance Rate）やTAR（True Acceptance Rate）が理想的な状態になるように、閾値を簡単に調整できます。また、後述するように、非常に困難なデータセットに対しても、従来のモデルより高い精度を示しています。この論文ではBioMetricNetを顔認証に適用していますが、この方法は汎用的であり、他の生体認証情報やデータタイプにも適用できるとしています。
顔特徴量の関係性を規定しない新しい顔認識アルゴリズム「BioMetricNet」とは？ | AI-SCHOLAR | AI：(人工知能)論文・技術情報メディア
⇧ 上記サイト様によりますと、事前に分布を定義しておき、分布を基準にして誤差が少ないように学習していく、という感じのようなのだけど、肝心の事前に定める分布をどうやって作っているのかはよく分からずブラックボックスですと...
顔認証以外の生体認証（biometrics）にも適用できると。
う～む、数学の知識が無いから、詳細な仕組みが理解できないのだけど、プログラミングのライブラリとかに反映されていないってことなんかな？
数学の知識があれば、フルスクラッチでプログラミングでアルゴリズムを実装できるとは思いますが、主要なライブラリでの対応を待つしかないという感じですかね？
『No code implementations yet. Submit your code now』とあるので、論文を提出した人たちか、論文を理解してソースコードとして実装した人しか、動作確認できない状態ということですかね。
2020年8月13日に投稿されたとすると、かれこれ、4年経過し用途してることになるのか。
ライブラリとかに反映する方針は無いんかな？
毎度モヤモヤ感が半端ない...
今回はこのへんで。
