超深度學習在人臉識別中的應用優勢

　　作者：中國嵌入式系統產業聯盟副理事長兼秘書長 郭淳學

      當前人臉識別算法普遍采用由國外大公司壟斷的深度學習(Deep Learning DL)算法。如將新一代人工智超深度學習算法(Super Deep Learning SDL)應用于人臉識別中，將會顛覆常規的人臉識別算法，創新出高準確率的新一代人臉身份識別系統。

　　作為當前人工智能主流算法的深度學習(DL)，在人臉識別中的應用存在如下問題：

　　1. 深度學習(DL)算法屬于概率映射模型，需要將隨機變量的所有狀態映射到數據集中，然而在人臉識別的應用中識別對象的學習數據有限，不能很好的發揮深度學習的作用。

　　2.深度學習(DL)模型是基于傳統的神經網絡技術，在數據訓練上需要用窮舉法，但人臉識別不可能達到無窮次訓練獲得最佳解。因此，深度學習模型存在著黑箱問題，使系統不透明。

　　3.深度學習(DL)的應用效果主要依賴于數據集的規模，擴大數據集的規模要增加網絡中間層的數量，因每增加一中間層，系統復雜度要增加一個指數，所以增加數據集的規模有限。

　　4.深度學習(DL)在人臉識別中僅對人臉的五官位置的不同抽出特征。由于復雜的動態場景，圖像失真嚴重，圖像精度有限、五官位置表達人臉的全部信息不足等原因，常出現識別錯誤。

　　針對深度學習(DL)存在的缺陷研制的新一代人工智能超深度學習(SDL)模型，引用目標函數概率分布的模型，將深度學習(DL)對目標函數的隨機分量需用百萬次的訓練，改變為只通過5—10次小數據訓練，就可把人臉識別的特征信息抽出。將系統不透明存在的黑箱問題，改變為系統可分析，不存在黑箱問題的模型。將深度學習系統需要龐大的硬件支持、處理效率低狀況，改變為系統只需要較少硬件支持、還提高處理效率，可以大大節省硬件費用和空間。

　　超深度學習(SDL)模型導入一種即可增加特征向量的數據規模，是不會導致系統復雜度提高很多的新一代的人工智能模型。對人臉識別特征抽出不僅在空域上，同時在時域上也進行高密度的信息抽出，這就很容易獲得深度學習(DL)的人臉識別達不到的：復雜動態場景下人臉識別高有效檢出率和復雜動態場景下更正確識別率等高水準的技術性能。

　　智慧城市、智慧園區、公安、安保等信息化建設正在推動高準確度人臉身份識別系統市場快速增長。同時，替換已經安裝使用、但準確度達不到發展需求的人臉身份識別系統的數量也在大量增長。而且，用戶對識別準確度和超短時間識別需求也會不斷提高。因此，高準確度的人臉識別技術在人臉身份識別系統的研制工作中，會有很大的發展空間和很高的經濟效益前景。高準確度人臉身份識別系統的廣泛應用，因在快速尋找人、核查人的效率和準確方面的突出功效，也將會產生非常大的政治和社會效益。

　　值的一提的是，這一創新的人臉識別技術采用的是新一代人工智能超深度學習(SDL)算法，該算法與當前人工智能主流算法深度學習(DL)一樣是人工智能的通用算法，因此，可以廣泛應用在人臉識別以外的許多人工智能項目中。所以，如果新一代人工智能超深度學習(SDL)算法的效果得到確認，不僅對我國的人臉識別應用是一個巨大的貢獻，也將在世界新一代人工智能領域中樹立起我國自主知識產權的人工智能算法的主導地位，其意義也將會十分重大。