XiaoMi-AI文件搜索系统
World File Search System人脸识别
超越监控：人脸识别技术的隐私、道德和监管
面部识别技术 (FRT) 已成为公共治理和安全的有力工具，但其迅速普及也引发了人们对隐私、公民自由和道德影响的重大担忧。本文批判性地审查了当前管理 FRT 的规则和政策，强调了国家和企业利益与个人权利和道德考虑之间的紧张关系。该研究还调查了旨在保护个人权利和隐私的国际法律框架，认为当前的立法措施往往达不到严格的学术标准和国际人权规范。本文最后提出了制定原则性和适应性治理框架的建议，以利用 FRT 的好处，同时减轻其风险和负面影响，强调将人权和道德置于监管这一变革性技术的核心的重要性。
人脸识别供应商测试 (FRVT) 第 2 部分... - NIST 页面
1 例如，NEC-0 准备模板的速度比 NEC-2 快得多，但错误率也高出二十倍。Dermalog-5 执行模板搜索的速度比 Dermalog-6 快得多，但准确率也低得多。2 在正面识别应用（如已注册旅行者系统）中，用户隐含地声称已在系统中注册 - 大多数用户都会注册。在负面应用中（如被驱逐者），隐含的声明是该对象未注册 - 大多数不会注册。3 此处的图库大小为 1200 万人，每人一张图片。给定 331 201 个非匹配搜索，一对多搜索的详尽实施将执行近 4 万亿次比较。当误报率为 0.0025 时，误报数量首先为 828，这相当于单次比较错误匹配率为 828 / 4 万亿 = 2.1 10 − 10，即约 50 亿分之一。严格来说，此 FMR 计算仅对使用 N 1:1 比较实现 1:N 搜索的算法有意义，但情况并非总是如此。
人脸识别供应商测试 (FRVT) 第 2 部分... - NIST 页面
1 例如，NEC-0 准备模板的速度比 NEC-2 快得多，但错误率也高出二十倍。Dermalog-5 执行模板搜索的速度比 Dermalog-6 快得多，但准确率也低得多。2 在正面识别应用（如已注册旅行者系统）中，用户隐含地声称已在系统中注册 - 大多数用户都会注册。在负面应用中（如被驱逐者），隐含的声明是该对象未注册 - 大多数不会注册。3 此处的图库大小为 1200 万人，每人一张图片。给定 331 201 个非匹配搜索，一对多搜索的详尽实施将执行近 4 万亿次比较。当误报率为 0.0025 时，误报数量首先为 828，这相当于单次比较错误匹配率为 828 / 4 万亿 = 2.1 10 − 10，即约 50 亿分之一。严格来说，此 FMR 计算仅对使用 N 1:1 比较实现 1:N 搜索的算法有意义，但情况并非总是如此。
人脸识别示范法报告.pdf
为什么需要改革？FRT 和其他远程生物识别技术的开发和部署正在以几乎指数级的速度快速增长。这些技术可以识别和提取个人的大量敏感个人信息，通常无需个人知情，更不用说同意了。与世界上大多数司法管辖区的法律一样，澳大利亚法律的制定并未考虑到 FRT 的广泛使用前景。特别是，我们的法律并非为应对 FRT 对隐私权、集会和结社自由、言论和行动自由等人权提出的挑战而制定的。
人工智能人脸识别系统
该项目包括为数据库构建面部识别、电子操作和网页设计。首先，使用机器学习和深度学习算法来识别人脸。第二步，将人工智能数据传输到电子元件和传感器，以构建智能锁系统。最后一步是设计一个需要登录并根据数据库显示出勤名单的用户界面。原型可以成功识别人脸并激活电子元件。它性能快速，可以在 Google 数据库中记录有关已识别人类的信息。随着进一步的发展，原型将实现更广泛的算法，通过摄像头区分图片和真实面部。这些算法将使原型更快、更安全，并适合商业用途。
基于相关特征的同质低分辨率人脸识别方法
摘要 —人脸识别技术已广泛应用于人身识别、控制准入和移动设备访问等许多关键任务场景。安全监控是人脸识别技术的典型场景。由于监控视频和图像的低分辨率特点使得高分辨率人脸识别算法难以提取有效的特征信息，应用于高分辨率人脸识别的算法很难直接迁移到低分辨率情况。随着密集城市化时代安全监控中的人脸识别变得越来越重要，开发能够在处理低分辨率监控摄像机生成的视频帧时提供令人满意的性能的算法至关重要。本文研究了基于相关特征的人脸识别（CoFFaR）方法，该方法用于同质低分辨率监控视频，详细阐述了理论、实验细节和实验结果。实验结果验证了相关特征方法的有效性，提高了监控安全场景中同质人脸识别的准确率。
人脸识别
目前，深度学习模型在现实世界的面部识别任务中达到了人类水平。我们回顾了使用基于深度学习的计算方法理解人脸处理的科学进展。这篇综述围绕三个基本进展展开。首先，经过面部识别训练的深度网络会生成一个表示，该表示保留了有关面部（例如身份、人口统计、外观、社交特征、表情）和输入图像（例如视点、照明）的结构化信息。这迫使我们重新思考视觉逆光学问题的可能解决方案。其次，深度学习模型表明，面部的高级视觉表示无法从可解释的特征方面来理解。这对理解高级视觉皮层中的神经调节和群体编码具有重要意义。第三，深度网络中的学习是一个多步骤的过程，迫使人们从理论上考虑各种可以重叠、随时间积累和相互作用的学习类别。需要多种学习类型来模拟人类面部处理技能的发展、跨种族效应以及对个人面孔的熟悉程度。
可见光和红外图像在人脸识别中的应用
本文介绍了一项研究的初步结果，该研究比较了可见光和红外 (IR) 图像在人员识别至关重要的区域（例如机场和安全建筑）中检测和识别人脸的有效性。我们通过在本研究收集的图像数据库上运行三种人脸识别算法来比较可见光和红外图像的有效性。使用相同场景收集的数据库中的每个人都有红外和可见图像。我们在研究中使用了三种非常不同的特征提取和决策算法，以确保比较不会依赖于特定的处理技术。我们还展示了可见光和红外决策指标融合时的识别结果。识别结果表明，可见光和红外图像在算法中的表现相似，并且红外和可见光图像的融合是一种可行的增强性能的方法，而不仅仅是单独使用其中一种。我们研究了面部不同区域对识别的相对重要性。我们还讨论了实施的实际问题，以及研究下一阶段的计划，即在不受控制的环境中进行人脸检测。给出了初步的人脸检测结果。
FortiRecorder 人脸识别 AI 指南
更新日志 4 简介 5 AI 摄像头配置 6 将摄像头连接到 FortiRecorder 6 启用人脸识别 AI 功能 6 人脸群集 8 将新人脸群集链接到用户 8 编辑已知人脸群集 9 人脸时间线 10 用户数据库 11 查看用户记录 11 编辑用户人脸群集 12 创建部门和角色 12 策略 14 创建策略 14 查看事件 15 高级配置选项 16 创建平面图 16 将 AI 摄像头分配到某个位置 17 设置 AI 摄像头的时间表 18