Kompilasi Xinzhiyuan
Jika Anda telah menggunakan aplikasi smartphone Snapchat, Anda dapat mengubah foto Anda menjadi beruang disko atau memadukan wajah Anda dengan wajah orang lain. Sekarang, tim peneliti telah menciptakan teknologi pemodelan wajah 3D paling canggih. Menggunakan sistem ini tidak hanya dapat meningkatkan avatar yang dipersonalisasi dalam gim video, dan meningkatkan keamanan pengenalan wajah-tentu saja, ini juga memungkinkan Anda memiliki filter Snapchat yang lebih baik.
Saat komputer memproses wajah manusia, terkadang mereka mengandalkan apa yang disebut "3D Morphing Model" (3DMM). Model ini mewakili wajah rata-rata, tetapi juga berisi informasi tentang pola penyimpangan yang umum pada rata-rata ini. Misalnya, wajah dengan hidung panjang mungkin juga memiliki dagu yang panjang. Mengingat korelasi ini, komputer hanya dapat membuat daftar beberapa ratus angka untuk menggambarkan deviasi wajah Anda dari rata-rata wajah tanpa menyimpan semua informasi tentang wajah Anda, dan kemudian dapat membuat sendiri Gambar wajah juga. Tidak hanya itu, deviasi tersebut juga menyertakan parameter seperti perkiraan usia, jenis kelamin, dan panjang wajah.
Namun, ini juga punya masalah. Karena wajah dunia selalu berubah, untuk menyimpan penyimpangan semua wajah dari wajah rata-rata, 3DMM perlu mengintegrasikan banyak informasi wajah. Metode yang digunakan sejauh ini adalah memindai wajah manusia dalam jumlah besar dan kemudian menandai semua fitur secara hati-hati. Oleh karena itu, model terbaik saat ini hanya didasarkan pada beberapa ratus wajah - sebagian besar berwarna putih, dan kemampuan model untuk meniru wajah dari berbagai usia dan ras sangat terbatas.
Menggabungkan tiga algoritma, pemodelan 3D wajah yang sepenuhnya otomatis dan akurat
Sekarang, James Booth, seorang ilmuwan komputer di Imperial College London (ICL), dan rekannya telah mengembangkan metode baru yang dapat secara otomatis membuat 3DMM dan memungkinkannya untuk menggabungkan wajah manusia yang lebih luas, seperti karakteristik ras yang berbeda. Metode ini memiliki 3 langkah utama. Pertama, algoritme secara otomatis menandai (landmnrk) gambar wajah yang dipindai memberi label pada ujung hidung dan titik lainnya. Kemudian, algoritme lain mengurutkan semua gambar yang dipindai berdasarkan tag dan menggabungkannya menjadi model. Akhirnya, algoritma ketiga mendeteksi dan menghapus gambar pindaian yang tidak berguna (buruk).
William Smith dari Institute of Computer Vision di University of York, yang tidak terlibat dalam penelitian ini, berkata: " Kontribusi besar yang nyata dari pekerjaan ini adalah bahwa mereka menunjukkan cara mengotomatiskan proses ini sepenuhnya. "
Alan Brunton, seorang ilmuwan komputer di Institut Fraunhofer untuk Penelitian Grafik Komputer di Darmstadt, Jerman, juga tidak berpartisipasi dalam penelitian ini. Brunton berkomentar bahwa sebenarnya sulit untuk membuat tanda di wajah seseorang. "Menurut Anda, mudah untuk membuat label dengan mengklik mouse, tetapi sering kali tidak jelas di mana sudut mulutnya, bahkan pelabelan manual pun Kesalahan akan terjadi. Selain itu, Brunton juga mengatakan bahwa menandai wajah banyak orang itu pekerjaan yang sangat membosankan dan membosankan.
Ada dua teknik untuk membangun korespondensi padat dalam 3DMM. Baris atas adalah korespondensi wajah yang ditetapkan dalam ruang UV (biasanya proyeksi silindris dari informasi tekstur dan bentuk kisi). Citra UV dari setiap mesh akan didaftarkan ke citra UV template, dan pengambilan sampel selanjutnya akan menghasilkan pola hybrid (mesh) yang sesuai dengan template. Baris bawah menunjukkan titik terdekat iteratif non-kaku (NICP), yang dapat digunakan secara berulang untuk terus mengubah bentuk template 3D agar cocok dengan setiap mesh, sepenuhnya menghindari ruang UV. Sumber: Booth, J., Roussos, A., Ponniah, A. et al. Int J Comput Vis (2017). Doi: 10.1007 / s11263-017-1009-7
Buat LSFM model wajah skala besar, termasuk wajah dari berbagai ras dan usia
Setelah membuat sistem pemodelan wajah 3D otomatis, Booth dan rekan-rekannya juga menerapkan sistem tersebut ke hampir 10.000 gambar pemindaian wajah yang beragam yang berasal dari demografi. Pemindaian ini dilakukan oleh ahli bedah plastik Allan Ponniah dan David Dunaway di museum sains di London yang bertujuan untuk meningkatkan kualitas bedah rekonstruktif wajah.
Setelah menyelesaikan pemindaian, Ponniah dan Dunaway menghubungi ilmuwan komputer ICL Stefanos Zafeiriou, meminta yang terakhir untuk membantu mereka menganalisis data. Jadi, Zafeiriou juga berpartisipasi dalam proyek tersebut dan menerapkan algoritme Booth pada gambar yang dipindai ini untuk membuat apa yang mereka sebut "model wajah skala besar" (LSFM).
Pada uji perbandingan dengan model yang ada, LSFM merepresentasikan wajah dengan lebih akurat.Sekarang versi pracetak dari makalah tersebut telah dipublikasikan secara online di Springer's International Journal of Computer Vision, dan akan dipublikasikan pada edisi berikutnya.
Dalam percobaan komparatif, mereka menggunakan foto seorang anak untuk membuat model wajah 3D anak tersebut. Dengan menggunakan LSFM, modelnya terlihat sangat mirip dengan anak di foto. Namun, dengan menggunakan salah satu model deformasi yang paling umum digunakan saat ini data untuk model ini sepenuhnya didasarkan pada orang dewasa model yang dihasilkan terlihat seperti orang dewasa yang tidak ada hubungannya dengan anak dalam foto.
Presentasi visual dari model bentuk LSFM-global: paling kiri adalah bentuk rata-rata (), diikuti oleh lima komponen utama pertama secara berurutan, dan masing-masing permukaan berikutnya menambah atau mengurangi fitur tertentu dari rata-rata permukaan. Sumber: Booth, J., Roussos, A., Ponniah, A. et al. Int J Comput Vis (2017). Doi: 10.1007 / s11263-017-1009-7
Booth dan rekan-rekannya juga memiliki cukup banyak gambar yang dipindai untuk membuat model cacat yang lebih spesifik untuk orang-orang dari berbagai ras dan usia. Tak hanya itu, model mereka secara otomatis dapat mengelompokkan wajah berdasarkan usia berdasarkan bentuk wajahnya.
-
Kertas: Model Deformasi 3D Skala Besar
Ringkasan
Kami mengusulkan model wajah skala besar (LSFM), yang merupakan model deformasi 3 dimensi (3DMM), yang secara otomatis dibangun dari 9663 tanda wajah unik. Menurut para peneliti, sejauh yang mereka ketahui, LSFM adalah model deformasi terbesar yang dibangun sejauh ini, yang berisi informasi statistik yang diambil dari variabel demografis yang sangat besar. Untuk membangun model seperti itu, para peneliti membuat model deformasi baru yang sepenuhnya otomatis dan stabil untuk membangun pipeline, dan memperoleh informasi dengan mengevaluasi teknologi komunikasi padat terbaik.
Kumpulan data untuk pelatihan LSFM mencakup informasi demografis yang kaya tentang setiap topik, tidak hanya dapat membangun model 3DMM global, tetapi juga model untuk usia, jenis kelamin, atau kelompok etnis tertentu. Peneliti menggunakan model yang diusulkan untuk melakukan klasifikasi usia secara terpisah dari bentuk 3D, dan merekonstruksi data noise di luar sampel dalam ruang model berdimensi rendah. Selain itu, mereka juga secara sistematis menganalisis model 3DMM yang dibangun untuk menunjukkan kualitas dan kemampuan deskripsinya.
Evaluasi kualitatif dan kuantitatif mendalam yang diajukan oleh penelitian menunjukkan bahwa 3DMM yang mereka usulkan telah mencapai hasil yang paling canggih, yang jauh lebih baik daripada model yang ada. Akhirnya, untuk memberi manfaat bagi komunitas penelitian, mereka mengungkapkan kode sumber dari pipa konstruksi 3DMM otomatis yang diusulkan, serta 3DMM global yang dibuat dan berbagai model yang disesuaikan yang disesuaikan dengan usia, jenis kelamin, dan ras.
Buat diagram proses 3DMM skala besar secara otomatis. (1) Penandaan otomatis berdasarkan tampilan presentasi yang komprehensif. Tampilan ini mendaftarkan informasi bentuk tingkat piksel, sehingga landmark 2D dapat diproyeksikan kembali dengan andal ke permukaan 3D. (2) Di bawah panduan penandaan otomatis, model 3D terus menerus dideformasi secara berulang-ulang untuk secara akurat mencocokkan setiap mesh wajah 3D dari kumpulan data. (3) Buat PCA global awal, (4) secara otomatis menghapus korespondensi yang salah. (5) Buat model LSFM dari data bersih yang tersisa. Sumber: Booth, J., Roussos, A., Ponniah, A. et al. Int J Comput Vis (2017). Doi: 10.1007 / s11263-017-1009-7
Menghasilkan model tekstur yang disesuaikan untuk subset tertentu dari kumpulan data MeIn3D. Sumber: Booth, J., Roussos, A., Ponniah, A. et al. Int J Comput Vis (2017). Doi: 10.1007 / s11263-017-1009-7
Latih sistem AI untuk secara akurat mengonversi snapshot wajah 2D menjadi model 3D
Tim Booth kini menggunakan model baru tersebut. Dalam makalah lain, makalah Face Normals "in-the-wild" using Fully Convolutional Networks, yang mereka serahkan ke CVPR 2017, para peneliti menggunakan 100.000 wajah yang disintesis oleh LSFM untuk melatih program kecerdasan buatan, dan acak (kasual ) Foto 2D diubah menjadi model wajah 3D yang akurat. Para peneliti mengatakan bahwa metode ini dapat digunakan untuk melihat seperti apa tersangka dari sudut lain dalam foto tersebut, atau seperti apa wajahnya 20 tahun kemudian. Sedangkan untuk aplikasi yang lebih berorientasi publik, Anda juga dapat menggunakan sistem ini untuk membuat karakter 3D berdasarkan potret sejarah.
Dari kiri ke kanan: Photoface, ICT-3DRFE, fitting model deformasi 3D (fitting), gambar disintesis menggunakan model deformasi 3D yang diusulkan oleh penulis. Baris terbawah adalah ground truth normal yang terkait dengan setiap kumpulan data. Sumber: Trigeorgis G. et al., Face Normals "in-the-wild" menggunakan Fully Convolutional Networks
LSFM juga memiliki potensi untuk aplikasi medis. Jika seseorang kehilangan hidungnya karena suatu alasan, teknologi ini dapat membantu ahli bedah plastik untuk menentukan seperti apa bentuk hidung baru tersebut berdasarkan karakteristik bagian wajah lainnya.
Selain itu, scan wajah juga digunakan untuk mengidentifikasi kemungkinan penyakit genetik, seperti sindrom Williams (lihat catatan), yaitu suatu kondisi yang berkaitan dengan masalah jantung. Model wajah yang lebih baik dan data fitur yang berubah dapat meningkatkan keakuratan tes ini. Ponniah mengatakan model baru "membuka beberapa pintu lagi."
Catatan: Sindrom William, kelainan perkembangan saraf yang langka, memiliki dasar hidung bagian bawah, penampilan seperti peri, dan fitur wajah menjadi lebih jelas seiring bertambahnya usia. Sebagian besar pasien tidak cerdas tetapi memiliki kemampuan bahasa yang lebih baik dari orang normal, mereka berperilaku sangat gembira dan tidak takut hidup. Gejala juga termasuk penyakit kardiovaskular seperti stenosis katup supra-aorta dan hiperkalsemia. Penyakit ini pernah dijelaskan oleh beberapa dokter sebagai hiperkalsemia infantil idiopatik jika gambarannya tidak lengkap.
-
Makalah: Menggunakan Jaringan Konvolusional Penuh untuk Mengembalikan Wajah "di Alam Liar"
Ringkasan
Dalam penelitian ini, kami mengusulkan metode berbasis data untuk menyelesaikan cara memprediksi seluruh bidang umum dari satu foto kental, dengan fokus khusus pada wajah. Makalah ini membuat metode baru untuk mengeksplorasi kelayakan penggunaan kumpulan data wajah yang tersedia untuk konstruksi database. Para peneliti sengaja merancang jaringan saraf konvolusional yang dalam untuk mengevaluasi permukaan normal wajah dalam keadaan "di alam liar". Jaringan konvolusional penuh juga dilatih, yang dapat secara akurat mengembalikan ekspresi normal dari gambar dengan ekspresi yang beragam. Kami membandingkan teknik rekonstruksi Shape-from-Shading dan 3D yang paling canggih, dan hasilnya menunjukkan bahwa jaringan yang kami usulkan dapat memulihkan wajah yang lebih akurat dan realistis secara signifikan. Selain itu, dibandingkan dengan metode restorasi permukaan spesifik wajah lain yang ada, karena sifat jaringan kami yang sepenuhnya konvolusional, kami tidak perlu menyelesaikan masalah kesejajaran eksplisit.
Menggunakan kumpulan data Helen, perkiraan normal contoh rekonstruksi wajah dan permukaan manusia. Yang paling kiri diusulkan oleh penulis, dan dua berikutnya adalah IMM (catatan: database wajah yang dibuat oleh Technical University of Denmark, berisi 240 gambar wajah dengan pose, ekspresi, dan pencahayaan berbeda) dan Marr Revisited.
Contoh rekonstruksi permukaan parsial. Ini semua dihasilkan dari kumpulan data wajah 300W "in-the-wild". Gambar di atas menunjukkan bahwa jaringan yang diusulkan oleh penulis dapat diterapkan secara luas ke berbagai wajah dan ekspresi. Di paling kiri adalah gambar asli dari kumpulan data 300W. Kolom tengah untuk rekonstruksi bentuk 3D, dan kolom kanan untuk mengubah tekstur sampel pada gambar menjadi bentuk. Sumber: Trigeorgis G. et al., Face Normals "in-the-wild" menggunakan Fully Convolutional Networks
Penelitian dan rencana masa depan
Rencana peneliti selanjutnya adalah menambahkan data terkait ekspresi wajah ke model sehingga setiap bentuk model wajah dapat mengenali apakah itu tertawa atau menangis. Zafeiriou berkata bahwa mereka sekarang kembali ke museum untuk memindai wajah lebih banyak turis.
Makalah terkait:
Model Morphable 3D Skala Besar (akses terbuka) : Https://link.springer.com/article/10.1007/s11263-017-1009-7
Face Normals "in-the-wild" menggunakan Fully Convolutional Networks (dikirim ke CVPR 2017) : Https://ibug.doc.ic.ac.uk/media/uploads/documents/normal_estimation__cvpr_2017_-4.pdf
Laporan sains : Http://www.sciencemag.org/news/2017/05/computer-scientists-have-created-most-accurate-digital-model-human-face-here-s-what-it
Perekrutan Xinzhiyuan
Posisi: Manajer Akun
Posisi gaji tahunan: 120.000-250.000 (Gaji + bonus)
Lokasi kerja: Distrik Beijing-Haidian
Departemen: Departemen Pelanggan
Laporkan ke: Account Director
Kehidupan kerja: 3 tahun
Bahasa: Inggris + Mandarin
Persyaratan pendidikan: perekrutan sarjana penuh waktu
deskripsi pekerjaan:
Pahami secara akurat kebutuhan pelanggan dan pemosisian merek perusahaan, rencanakan dan tulis rencana kerja sama;
Berpikir aktif, kreatif, kemampuan kontrol teks yang kuat, mahir menggunakan PPT, kemampuan apresiasi visual dan kinerja yang baik, kemampuan PS yang sangat baik adalah yang terbaik;
Antusias dan ceria, pandai komunikasi interpersonal, keterampilan komunikasi dan kolaborasi yang baik, dan semangat tim;
Kemampuan persiapan dan pelaksanaan aktivitas yang sangat baik, ketahanan yang kuat terhadap tekanan dan kemampuan beradaptasi, beradaptasi dengan pekerjaan intensitas tinggi;
4A, pengalaman kerja di perusahaan PR lebih disukai
Poin bonus bagi mereka yang memiliki minat kuat pada teknologi tinggi, terutama di bidang kecerdasan buatan.
Tanggung jawab pekerjaan:
Berpartisipasi dalam, mengelola, dan menindaklanjuti kemajuan proyek yang ditugaskan oleh atasan untuk memastikan implementasi rencana. Merumuskan, berpartisipasi atau membantu tingkat atas dalam implementasi kebijakan dan sistem yang relevan. Memberikan informasi pasar dan informasi pelanggan yang akurat kepada perusahaan secara teratur, menganalisis kebutuhan pelanggan, menjaga hubungan dengan pelanggan utama dari perusahaan yang ditunjuk, dan secara aktif mencari peluang untuk mengembangkan bisnis baru. Buat dan kelola database pelanggan, lacak dan analisis informasi yang relevan.
Email lamaran: jobs@aiera.com.cn
HR WeChat: 13552313024
Xinzhiyuan menyambut orang-orang dengan cita-cita luhur untuk datang untuk wawancara, silakan klik untuk posisi perekrutan lainnya Perekrutan Xinzhiyuan Melihat.
- Dibukanya Jembatan Hong Kong-Zhuhai-Macao untuk lalu lintas memiliki begitu banyak manfaat? Juga membawa api ke kota sederhana ini!
- "Kata-Kata Porselen Dengan Penuh Kasih Mengenang Pameran Karya Keramik Pria Hebat dalam Peringatan 125 Tahun Kelahiran Kamerad Mao Zedong" dibuka di Museum Keramik China
- Setelah kedelai China produksi Rusia tiba di China, banyak hal telah membuat kemajuan baru. Media asing: meremehkan kemampuan pelanggan utama
- Guan Mingsheng, mantan presiden Ali: Pemimpinnya adalah ayah, dan besok akan lebih baik; manajemen adalah ibu, dan saya punya makanan setiap hari
- Tim renang Asian Games Liu Xiang memecahkan rekor dunia dan memenangkan kejuaraan! Pada pandangan pertama, dia masih sangat cantik bersembunyi di kolam renang!
- Saatnya mengungkapkan usia Anda. Berapa banyak dari drama TV keamanan publik ini yang pernah Anda tonton?