新的研究给“请给我耳边”一词赋予了全新的含义。结果表明,给定人耳的图像,神经网络可以惊人的精度重建人脸。
好的,从一个层面上讲,这是大型图像数据库和基于GAN的模型可以完成的又一个示例。但是谁会想到,仅凭耳朵就能产生出与真实面孔非常相似的“假面孔”。看一下自己:
这项研究来自伊斯坦布尔技术大学计算机工程系的学生Dogucan Yaman,Fevziye Irem Eyiokur和HazımKemal Ekenel,他们最初是对耳朵着迷的。他们于2017年在IET Biometrics上发表的第一篇论文“使用深度卷积神经网络对耳朵进行识别的域自适应”的目的是调查“无约束的耳朵识别问题”,并促使他们使用Multi-Pol收集Mutli-PIE耳朵数据集PIE人脸数据集。他们使用这种方法分析了耳朵图像质量(例如照明和长宽比)对分类性能的影响,这大概就是为什么上面一组照片的前五行中的某些耳朵图像质量低下的原因。
对于他们最近的研究,他们的目标是以他/她的耳朵图像作为输入来生成对象的正面图像。将问题表述为成对的图像到图像转换任务后,他们从Multi-PIE和FERET数据集中收集了耳朵和面部图像对的数据集,以训练基于GAN的模型。Ear2Face的论文标题引用了MIT CSAIL的最新研究,其中神经网络Speech2Face根据语音样本预测某人的长相,请参见Speech2Face-给我声音,而我给你面部学习突破。
机器学习的一大优点是如何让我们参与其中。尽管目前尚无足够的资料,但Dogucan Yaman已为Ear2Face建立了GitHub存储库,可在其中使用实验设置和代码。对于深度生物特征模态映射的基础,它的技术解释也较少。
即使如此,我也感到惊奇的是,这么多的信息只存在于一只耳朵中。虽然很明显,我们的基因决定了我们的面孔,而相同的基因决定了我们的耳朵长什么样,但谁会认为这两种结果之间存在很大的相关性。令人惊讶的是,耳朵的变化足以确定一张脸。可以猜测,耳朵所占的维数空间要比脸部低得多。但是,就像我在开始时所说的那样,如果您借给我耳朵,我可以露出您的脸。
郑重声明:本文版权归原作者所有,转载文章仅为传播更多信息之目的,如作者信息标记有误,请第一时间联系我们修改或删除,多谢。