人臉辨識是近年來非常流行的技術，如今幾乎已是深度學習的天下了，而這門技術的應用上，現在還是非常的火紅的話題。這次參加的 LINE DevDay，就採用人臉辨識當做報到的機制。 而在第二天，也安排了議程來說明 LINE （NAVER）是如何開發、設計與導入到 LINE DevDay 2019 會場的報到流程。 由於我們自己也有在研究人臉辨識，也有用在 check-in 上（我們叫刷臉打卡），所以在第一天報到的時候，就有特別注意一下偵測的時間，以我報到的經驗，大約花了3~4秒（兩天都是），並沒有像官方宣稱的不到一秒，但搭配一直轉圈圈的 UI ，也並不會讓我感覺到等很久。實際體驗的時候， iPad App 上的圈圈會跟著你的臉部範圍動，所以可以推測時間是花在臉部特徵擷取（Facial feature extraction）或是特徵比對上。既然講到此，我們就先由講者的第二段（Face Engine）說起。 人臉辨識目前的作法都是 1) 偵測人臉 2) 對齊人臉 (alignment) 3) 臉部特徵擷取 4) 人臉特徵比對 。通常步驟 1/3 是相對容易的，而 2/4 就比較難了。 2 的問題是人臉的角度通常不會剛剛好，要正確定位眼鼻口眉毛並不是像一張面膜一樣貼上去就好（為了說明方便，實際上不是去定位這個是眼睛這個是嘴巴）。而 4 的問題在於，當資料庫愈大的時候，需要比對的資料就更多，計算量也就更大，要在短時間就做完，沒有硬體（如 GPU ）的幫忙，通常就要在演算法上鑽研很深才行。所有會需要上線深度學習模型的團隊，都會想辦法去做 model size reduction/compression (without losing too much accuracy)， NAVER 團隊同樣地也花了不少時間在做深度學習模型的優化。團隊的目標就是在行動裝置（也表示不見得有 GPU ）上能達成即時的人臉辨識：Our standard … Continue reading 2019 LINE Developer Day – Face Recognition Check-in Mechanism