人臉辨識這個名詞，自從iPhone推出了人臉解鎖，以及Amazon Go的無人商店，相關的門禁、安控應用已經有如雨後春筍般快速地融入我們的生活中。再拉回台灣，國家門面的自動通關服務，也從最早的指紋辨識來到現在人臉辨識。隨著科技進步，人工智慧不斷地被應用在更多的場景，協助人們改善生活品質，進而豐富人生。本文將會以深入淺出的方式，帶著大家來探討人臉辨別的發展與挑戰…
一、前言：
本文將會先介紹什麼是人臉辨識？它的應用場景為何？在發展的過程中，它面臨了哪些挑戰？以及科學家是怎麼克服這些困難的，最後以個人的心得做為結論。
另外，我特別要感謝活耀在兩岸的AI大師尹相志老師，他除了很願意分享他的精闢見解與世界上 AI最新的突破，協助台灣的碼農在 AI的領域能夠更上一層樓。也非常地大愛為台灣做了許多貢獻，例如在許多公開場合分享 AI的技術觀念，也在實務上分享了他的心得。例如優化了警察在OCR的作業，能有效地提升犯罪/車禍現場的鑑識作業效率。優化了台灣廟宇記錄片黑白轉彩色的作業，讓台灣在地化的文化薪火相傳得以延續。
二、何謂人臉辨識？它是生物辨識的一環，與指紋、聲紋、虹膜…在歸類在相同的範疇中。它的運作如同停車場的車牌辨識，當你經過出入口時，攝影機鏡頭捕抓到你，然後進行比對，判斷出你要付多少錢？同理，人臉辨識在門禁管理的應用就是經過逐像素的特徵值處理，然後與事先登錄的人臉進行特徵值的比對，判斷出你是誰。
如果要對應到機器視覺 Computer vision的些個基礎任務，Classification分類、Object detection目標檢測、Segmentation語意分割、Posture動作檢測，人臉辨識會界於前面二個。要先找到圖像中的人臉，接著再辨識是否為資料庫中的 account，所以在運作時你會看見 Bounding box邊界框(一張臉一個框)。
下圖是 Azure Face API 的相關的應用，細節可以參考微軟官網上對臉部辨識的說明，例如人臉辨識 Face verification： 查看兩張臉屬於同一個人的可能性，並獲得信賴分數
人臉偵測 Face detection：偵測一或多張人臉，以及姿勢、臉部遮蓋物以及人臉分部位置等細節，包括影像中每一張臉的 27 個特徵點 landmark (待會再細部介紹人臉特徵提取，這邊先簡要的了解，透過微軟的API，它可以選擇性地傳回不同種類之臉部相關資料的動作)、年齡、情緒、性別、髮色、頭部姿勢、眼鏡、戴口罩、笑…等屬性。細節可以參考官網的說明
三、人臉辨識的常見應用情境：
Azure Face API 可以處理36*36~4096*4096的影像輸入，提供了以下ABC三個主要功能，在不同場景的應用。至於各行各業究竟有什麼熱門的應用，我也幫大家整理在下面：
A. Face identification是一種 one to many 的身份辨識，在Azure的 Group(上限為一百萬群，可分為 person / large person group)中可以註冊多個 Person(上限為一萬人)，每個用戶可以註冊248張人臉照片。
B. Face verify是一種 one to one 的身份辨識，可以做 Face ID的比對
C.Find similar faces，呼叫 matchFace 可以回傳非本人，較相似的人臉。經過我的測試，並不能拿來做親緣辨識(取代滴血認親)，它的應用我還在研究中。
D. (非Azure Face API)Watch list，是一種 many to many 的清單監看。例如待會會提到的通輯犯監看
- 健康控管：疫情期間，大家最關心的體溫檢測，就可以透過 Face detection 找到人臉並標示溫度度量值在方框上，當體溫超過37℃就發警報。有了AI 就不用管制人流，快速地通過，有效改善大排長龍等候體溫量測的問題。
- 身分驗證：透過事先的建檔，來驗證攝影機當前的人員是否為資料庫中的成員？又可以分成 identification與verification的呼叫，例如應用在零售業的門市 VIP辨識、手機解鎖、本人/親緣識別、下面的門禁管理…等
- 門禁管理：企業員工的進出管理，甚至是出缺勤的管理(取代打卡機或識別證)、機場的出入境、住家的智慧門鎖、醫院診所的智慧藥櫃、非接觸性的出入(醫院要儘量減少傳染的機會)、活體識別也是近期較熱門的延伸應用
- 安防監控：通輯犯識別(大陸用天網系統在演唱會現場抓到跨省的嫌疑犯)、不明人士尾隨員工進入、未經授權員工進入管制區域、非人類篩選(如果是貓/狗/老鼠…進入管制區域不會觸發告警)…等
- 影像處理：視訊開會、公關、廣告…等場合的隱私權保護，可處理主角以外的人臉糢糊化
- 智慧零售：分析客戶來到門市的人數、時間分佈、性別、是否為VIP、行走動線(可做為產品擺放的規劃依據)
- 休閒娛樂：遊戲、虛擬實境、模仿秀、廣告、影片分析，甚至是元宇宙…
四、人臉辨識的關鍵發展
- 方向梯度直方圖 HOG (Histogram of oriented gradients)：自從法國研究員在2005年把這個1986年的特徵描述( Feature description)的演算法發揚光大後，因為只需要灰階的 data input少量的資料與計算量，相機的人臉自動對焦、監控攝影機的人類與物體辨別…等物件偵測的應用，變得開始普及。另外，這種邊緣辨識應用的先趨與生活化，也間接促使 Intel 將二值化這類影像功能開源成現在的Open CV2，可以算是 AI 發展的重要里程碑之一。
- 臉部特徵向量 Eigen Face：將人臉去計算共變異數矩陣(或稱為協方差矩陣)來提取特徵值與特徵向量，將訓練集中多張人臉，透過 PCA(Principal component analysis)主成份分析(演算法)留下值得保存的重要特徵向量，可以有效地降低儲存空間的需求。比對時，要先減去均值向量，如果每一個特徵向量的維數與原始圖像的一致，就可以判斷為同一個圖像。
- 臉部取景：包含了全身、半身、臉部特寫，甚至是90度、45度…等不同角度的側臉，都會影響辨識的結果。以上述所說的早期技術，取景的 Pattern必需要一致，所幸目前的人臉對齊或是校正技術，已經能夠大大的改善這個問題。但是值得注意的是，臉部對齊時也會同時抵消 Rotational 翻轉類型的數據增強 Data augmentation，360度的旋轉只剩下垂直與水平翻轉的特定角度是有效的。
- 由分類任務到度量任務：以DeepID V1為例，在2014第一個版本時，較早期的作法是採用 ConvNet，並設計成分類問題，讓類神經的輸出等於人臉樣本總數。但是會遇到幾個問題，包括人臉增減之後，模型就要重新訓練；應用情境適侷限，這種設計只適合 one to one；到了2015 Google 引入了 Siamese neural network 這種權重共享的模型架構，並加入 Triplet loss 設計成度量任務，來推出 FaceNet。除了能迎合隨時都有新生兒出生的現實，也透過計算歐幾里德距離的方式，來擴大one to many 或是 many to many 的應用情境，好的結果應該是組間差距大，組內差距小。例如你可以將每個家人的照片都上傳5張照片到智慧門鎖中，然後它可以有效地區分家人與非家人，做好門禁的把關。VggFace是末代的 ImageNet 的冠軍，它採用了 SeNet + ResNet，在每個輪廻的 Convolution + Pooling 循環都要做 Squeeze and Excitation，降維到1/16，再升維回來做變數的篩選，再使用類似 attention 的機制，與上一個輪廻的權重做加總，有效地傳遞權重又能避免 gradient vanish or gradient explosion。
- 人臉特徵點 Facial landmark概念：在山川地貌中，只要有 Landmark 不管登山者來自東南西北，都能對目的地有所依據。同理，臉部的 68個特徵點，讓觀測者不管是由上下左右側著看都能藉此輕易地找到五官，而且還可以進一步進行人臉對齊。另外像是 Snapchat filter可以將人臉變成狗/豬/動物臉…也是基礎 Landmark，直接找到人的五官再將動物眼耳鼻舌的圖層或覆蓋或重疊。至於，特徵點的數量會基礎於運算力的需求、辨識率的高低、是否要做表情…等因素，所以除了常見的68個特徵點，還有5~10000其他的版本。例如5個特徵點(雙眼+鼻子+嘴巴)，就常用於運算資源有限的邊緣裝置、多人的大合照；68個特徵點，是不包含額頭(81個特徵點)的人臉辨識最常用的選擇，熱門的開源函式庫就有 OpenCV、Dlib。例如我們可以在 Github 中找到許多效果不錯的 Dlib sample code。接著是著重臉部細節的美顏App 或是要做表情辨識的用途，就會需要136(68*2)個特徵點。走到極致就必需介紹商湯與曠視，大陸機器視覺的二大龍頭。從136更往上就跳到了無法靠人工標記，要靠模型與內插數學運算才能到達的1000個特徵點(商湯)，舉個更極端的例子，像是為阿里巴較提供刷臉支付的曠視科技成名代表作Face++，讓是透過8000個特徵點(如今又來到了10000)來實現98%的人臉辨識正確率。下圖是Azure Face API 的27個 Face landmark。
- 人臉特徵點子任務：姑且不管表情辨識，機器視覺從根本來看，就是一個逐像素掃描的動作，我們該如何讓它做的更快更好的優化呢？就是能幫它找出重點的子任務，例如先透過二眼的外眼角、二眼的膧孔、13個特徵點的外輪廓、Bounding box 快速地找出人臉，來縮小運算範圍；透過人類好理解的廻歸去預測這68個特徵點的位置、或是熱力圖 Heap map去推估這68個特徵點的位置(前者會以二維的 68*2 輸出，人類好理解，但已經被拉平，喪失任一點去推估非相鄰點(較遠的點)的能力。而後者是以 68*N個像素*N個像素，雖然N*N已經超過人類可以理解的高維度，所以會再透過較低維度的高斯分佈模型來給定答案，再配合打橫沙漏型的 HourGlass模型，與 WingLoss 來訓練它，來實現更好的效果)；這樣子比較任二張臉，都會比做完逐像素的全圖掃描來的有效率。
- 從DSP(Digital signal processing)到深度學習：相對於類比信號處理 DSP 的效果更加的穩定、準確、抗干擾、靈活，可惜，當時的技術還有許多的限制，例如不能處理非正面、回應速度慢…等。到了深度學習(細節可以參考之前的文章)之後，因為技術上的突破，更多的應用情境也讓商業化更為普及了。
- 模型架構的發展(如尹相志老師分享的上圖)，從孿生神經網路 Siamese neural network，像是二個共享權重的連體嬰並使用 Triplet loss進行 Metric learning 度量學習的 Facenet，讓模型是學 Anchor 分別到 Negative & Positive 三角關係的夾角(在下圖中左邊模型是標準的Siamese NN，二邊會使用相同的模型並共享相同的權重，網路一的任務是學習本人(正樣本)，網路二的任務是學習非本人(負樣本)；右邊則是不分享權重的變型 Pseudo Siamese NN，視需求可以是CNN網路一搭配LSTM網路二。至於孿生網路在人臉辨識的機轉上，它是將二張人臉的 input，用相同的權重也就是五官的特徵向量基準，一起投射到新的空間，再用損失函數去比較二者在歐基里德的遠近距離)。又歷經了 SENet (2007年最後一屆的 ImageNet的冠軍模型) 像是 VGGFace2，再到近期使用 Large margin loss 的 ArcFace。在人臉的分類(像與不像)的激活函數，不再使用 Softmax一刀切但相交面仍有重覆的機會、SphereFace 以某個夾角區份但還是有相鄰的極小機會、ArcFace 以二個類似SVM 的直線，區分開並減少相交與誤判的機會。
- 人臉辨識的限制：基礎於68點的特徵點與超球(geodesic correspondence)的概念，一個 ArcFace 模型，如果能取得不被部份遮蓋的全臉 input，大約可以在128維的條件下，辨識出包含雙胞胎在內的120億個人類個體，如果戴上口罩就會因為特徵值的降低，下降至4000個人類個體的規模(驗證了巧婦難為無米之炊的道理)。
五、人臉辨識的優化的技巧：為了達到九成以上的辨識率，以下我整理一些增加子任務或是模型設計的相關技巧。
- 物件偵測：在辨識誰是誰之前，需要先找到人臉！許多人應該覺得 Yolo是不二之選，但是此次的任務我是選擇SSD。這二種演算法都能夠獲取淺層特徵Box定位，深層特徵Class類別的結果。SSD是一秒數百幀，單向地一邊向下分解，一邊產生定位與類別的結果，篩選出最終的結果，適合類別單純或不精細，非大合照的任務。至於 Yolo V4，我之前有聽過作者中研院王博士與廖所長的演講，Yolo是一秒數幀，為了辨識的精準度，其資訊流會比較複雜，它一開始會向下，等到分解到最小，又會逐漸地向上採樣，透過數次的上上下下的特徵融合與權重加大，比較適合處理複雜的任務。
** 或許你會說王博士已經用C語言寫出了 Tiny Yolo V4，但相對地也有人用C語言把 SSD推至一秒1000 FPS(Frame per second)或是1MB模型Size的極致。 - 人臉校正 Face alignment 以及 Face morphing 人臉變形：前者是側臉轉正臉，後者是人臉對齊(Morphing 寫用在 Power Point 二張圖片，的過場特效上)，都可以在非正臉的 input上面得到優化
- 全通道的數據增強 Augmentation：翻轉(垂直/水平 Flip/不同角度 Rotation)、裁減Crop、灰階 Gray scale、高斯噪音 Gaussian noise、高亮 Lighting、色彩處理(色票 Multiply、色相 Hue、飽和度 Saturation)、對比正規化 Contrast normalization、格狀遮罩 Grid Mask(下面有二張範例圖片，就是透過子任務來提高辨識的難度，讓模型有機會舉一反三)
- 針對通道的數據增強 Augmentation：灰階 Gray scale、高斯噪音 Gaussian noise、色票 Multiply、色相 Hue、飽和度 Saturation、對比正規化 Contrast normalization
- 正則化數據增強 Augmentation：隨機丟失 Dropout、針對通道隨機丟失 Dropout by channel、擦去 Erasing…
- 高階數據增強 Augmentation：這個類別是尹相志老師這類高手在使用的，例如：特徵點擾動(讓原來 N個特徵點稍微上下左右的偏移，來增加難度)、配飾轉換(透過戴眼鏡、帽子…這些飾品與配件來增難度)、妝容轉換(在美妝、美肌…之類盛行的環境下，即使你的數據集不是這種照片，也可以透過自帶美妝/美肌效果來提高難度。免得真的有一天，智慧門鎖的女主人，在畫完新娘妝之後，回家開不了門，就可尷尬了)、3D臉部生成(以2D來模擬3D建模後的特徵點，將能有效地模擬各種側臉的難度)
- 負樣本：又稱為 Hard exmaple mining 像藝人白雲與康康是很容區分出來的，但如果是藝人宋芸樺 vs. 夏于喬就很挑戰了。會需要像是 Hard minibatch 的進階手法去介入訓練時的採樣。
- 損失函失Loss function的設計：廣意的人臉辨識主要精神是，要做到組內差距小，組間差距大(同一個人的不同照片的特徵向量必須是縮限在極狹窄的扇形區域中，也就是固定角度但是允許有scale的差異，而不同人的特徵向量，則需要相隔在指定margin之外確保分類正確性)。狹意的人臉辨識可以透過廻歸法或是熱力圖法，著重在N個(例如68個)特徵點的對比，計算 Wing Loss是比較建議的作法
new_rfbmodel.summary()
priors nums:17640
0 parameters have set trainable
--------------------------------------------------------------------------------------------------------------------------------
Layer (type) Output Shape Weight Bias Param # FLOPS #
==============================================================================
backbond1.0.conv [Conv2d] [None, 16, 240, 320] 'weight', [16, 3, 3, 3] 432 66,278,400
backbond1.0.norm [BatchNorm] [None, 16, 240, 320] 'weight', [16] 'bias', [16] 32 4,761,600
backbond1.0.activation [Relu] [None, 16, 240, 320] 0 0
backbond1.0 [Conv2d_Block] [None, 16, 240, 320] 0 0
backbond1.1.0.conv [DepthwiseConv2d] [None, 16, 240, 320] 'weight', [16, 1, 3, 3] 144 22,041,600
backbond1.1.0.norm [BatchNorm] [None, 16, 240, 320] 'weight', [16] 'bias', [16] 32 4,761,600
backbond1.1.0.activation [Relu] [None, 16, 240, 320] 0 0
backbond1.1.0 [DepthwiseConv2d_Block] [None, 16, 240, 320] 0 0
backbond1.1.1.conv [Conv2d] [None, 32, 240, 320] 'weight', [32, 16, 1, 1] 512 78,566,400
backbond1.1.1.norm [BatchNorm] [None, 32, 240, 320] 'weight', [32] 'bias', [32] 64 9,676,800
backbond1.1.1.activation [Relu] [None, 32, 240, 320] 0 0
backbond1.1.1 [Conv2d_Block] [None, 32, 240, 320] 0 0
backbond1.2.0.conv [DepthwiseConv2d] [None, 32, 120, 160] 'weight', [32, 1, 3, 3] 288 11,040,000
backbond1.2.0.norm [BatchNorm] [None, 32, 120, 160] 'weight', [32] 'bias', [32] 64 2,419,200
backbond1.2.0.activation [Relu] [None, 32, 120, 160] 0 0
backbond1.2.0 [DepthwiseConv2d_Block] [None, 32, 120, 160] 0 0
backbond1.2.1.conv [Conv2d] [None, 32, 120, 160] 'weight', [32, 32, 1, 1] 1,024 39,302,400
backbond1.2.1.norm [BatchNorm] [None, 32, 120, 160] 'weight', [32] 'bias', [32] 64 2,419,200
backbond1.2.1.activation [Relu] [None, 32, 120, 160] 0 0
backbond1.2.1 [Conv2d_Block] [None, 32, 120, 160] 0 0
backbond1.3.0.conv [DepthwiseConv2d] [None, 32, 120, 160] 'weight', [32, 1, 3, 3] 288 11,040,000
backbond1.3.0.norm [BatchNorm] [None, 32, 120, 160] 'weight', [32] 'bias', [32] 64 2,419,200
backbond1.3.0.activation [Relu] [None, 32, 120, 160] 0 0
backbond1.3.0 [DepthwiseConv2d_Block] [None, 32, 120, 160] 0 0
backbond1.3.1.conv [Conv2d] [None, 32, 120, 160] 'weight', [32, 32, 1, 1] 1,024 39,302,400
backbond1.3.1.norm [BatchNorm] [None, 32, 120, 160] 'weight', [32] 'bias', [32] 64 2,419,200
backbond1.3.1.activation [Relu] [None, 32, 120, 160] 0 0
backbond1.3.1 [Conv2d_Block] [None, 32, 120, 160] 0 0
backbond1.4.0.conv [DepthwiseConv2d] [None, 32, 60, 80] 'weight', [32, 1, 3, 3] 288 2,760,000
backbond1.4.0.norm [BatchNorm] [None, 32, 60, 80] 'weight', [32] 'bias', [32] 64 604,800
backbond1.4.0.activation [Relu] [None, 32, 60, 80] 0 0
backbond1.4.0 [DepthwiseConv2d_Block] [None, 32, 60, 80] 0 0
backbond1.4.1.conv [Conv2d] [None, 64, 60, 80] 'weight', [64, 32, 1, 1] 2,048 19,656,000
backbond1.4.1.norm [BatchNorm] [None, 64, 60, 80] 'weight', [64] 'bias', [64] 128 1,219,200
backbond1.4.1.activation [Relu] [None, 64, 60, 80] 0 0
backbond1.4.1 [Conv2d_Block] [None, 64, 60, 80] 0 0
backbond1.5.0.conv [DepthwiseConv2d] [None, 64, 60, 80] 'weight', [64, 1, 3, 3] 576 5,524,800
backbond1.5.0.norm [BatchNorm] [None, 64, 60, 80] 'weight', [64] 'bias', [64] 128 1,219,200
backbond1.5.0.activation [Relu] [None, 64, 60, 80] 0 0
backbond1.5.0 [DepthwiseConv2d_Block] [None, 64, 60, 80] 0 0
backbond1.5.1.conv [Conv2d] [None, 64, 60, 80] 'weight', [64, 64, 1, 1] 4,096 39,316,800
backbond1.5.1.norm [BatchNorm] [None, 64, 60, 80] 'weight', [64] 'bias', [64] 128 1,219,200
backbond1.5.1.activation [Relu] [None, 64, 60, 80] 0 0
backbond1.5.1 [Conv2d_Block] [None, 64, 60, 80] 0 0
backbond1.6.0.conv [DepthwiseConv2d] [None, 64, 60, 80] 'weight', [64, 1, 3, 3] 576 5,524,800
backbond1.6.0.norm [BatchNorm] [None, 64, 60, 80] 'weight', [64] 'bias', [64] 128 1,219,200
backbond1.6.0.activation [Relu] [None, 64, 60, 80] 0 0
backbond1.6.0 [DepthwiseConv2d_Block] [None, 64, 60, 80] 0 0
backbond1.6.1.conv [Conv2d] [None, 64, 60, 80] 'weight', [64, 64, 1, 1] 4,096 39,316,800
backbond1.6.1.norm [BatchNorm] [None, 64, 60, 80] 'weight', [64] 'bias', [64] 128 1,219,200
backbond1.6.1.activation [Relu] [None, 64, 60, 80] 0 0
backbond1.6.1 [Conv2d_Block] [None, 64, 60, 80] 0 0
backbond1.7.branch1.0.branch1.0.conv [Conv2d] [None, 8, 60, 80] 'weight', [8, 64, 1, 1] 512 4,910,400
backbond1.7.branch1.0.branch1.0.norm [BatchNorm] [None, 8, 60, 80] 'weight', [8] 'bias', [8] 16 144,000
backbond1.7.branch1.0.branch1.0 [Conv2d_Block] [None, 8, 60, 80] 0 0
backbond1.7.branch1.0.branch1.1.conv [Conv2d] [None, 16, 60, 80] 'weight', [16, 8, 3, 3] 1,152 11,054,400
backbond1.7.branch1.0.branch1.1.norm [BatchNorm] [None, 16, 60, 80] 'weight', [16] 'bias', [16] 32 297,600
backbond1.7.branch1.0.branch1.1.activation [Relu] [None, 16, 60, 80] 0 0
backbond1.7.branch1.0.branch1.1 [Conv2d_Block] [None, 16, 60, 80] 0 0
backbond1.7.branch1.0.branch1.2.conv [Conv2d] [None, 16, 60, 80] 'weight', [16, 16, 3, 3] 2,304 22,113,600
backbond1.7.branch1.0.branch1.2.norm [BatchNorm] [None, 16, 60, 80] 'weight', [16] 'bias', [16] 32 297,600
backbond1.7.branch1.0.branch1.2 [Conv2d_Block] [None, 16, 60, 80] 0 0
backbond1.7.branch1.0.branch2.0.conv [Conv2d] [None, 8, 60, 80] 'weight', [8, 64, 1, 1] 512 4,910,400
backbond1.7.branch1.0.branch2.0.norm [BatchNorm] [None, 8, 60, 80] 'weight', [8] 'bias', [8] 16 144,000
backbond1.7.branch1.0.branch2.0 [Conv2d_Block] [None, 8, 60, 80] 0 0
backbond1.7.branch1.0.branch2.1.conv [Conv2d] [None, 16, 60, 80] 'weight', [16, 8, 3, 3] 1,152 11,054,400
backbond1.7.branch1.0.branch2.1.norm [BatchNorm] [None, 16, 60, 80] 'weight', [16] 'bias', [16] 32 297,600
backbond1.7.branch1.0.branch2.1.activation [Relu] [None, 16, 60, 80] 0 0
backbond1.7.branch1.0.branch2.1 [Conv2d_Block] [None, 16, 60, 80] 0 0
backbond1.7.branch1.0.branch2.2.conv [Conv2d] [None, 16, 60, 80] 'weight', [16, 16, 3, 3] 2,304 22,113,600
backbond1.7.branch1.0.branch2.2.norm [BatchNorm] [None, 16, 60, 80] 'weight', [16] 'bias', [16] 32 297,600
backbond1.7.branch1.0.branch2.2 [Conv2d_Block] [None, 16, 60, 80] 0 0
backbond1.7.branch1.0.branch3.0.conv [Conv2d] [None, 8, 60, 80] 'weight', [8, 64, 1, 1] 512 4,910,400
backbond1.7.branch1.0.branch3.0.norm [BatchNorm] [None, 8, 60, 80] 'weight', [8] 'bias', [8] 16 144,000
backbond1.7.branch1.0.branch3.0 [Conv2d_Block] [None, 8, 60, 80] 0 0
backbond1.7.branch1.0.branch3.1.conv [Conv2d] [None, 12, 60, 80] 'weight', [12, 8, 3, 3] 864 8,289,600
backbond1.7.branch1.0.branch3.1.norm [BatchNorm] [None, 12, 60, 80] 'weight', [12] 'bias', [12] 24 220,800
backbond1.7.branch1.0.branch3.1.activation [Relu] [None, 12, 60, 80] 0 0
backbond1.7.branch1.0.branch3.1 [Conv2d_Block] [None, 12, 60, 80] 0 0
backbond1.7.branch1.0.branch3.2.conv [Conv2d] [None, 16, 60, 80] 'weight', [16, 12, 3, 3] 1,728 16,584,000
backbond1.7.branch1.0.branch3.2.norm [BatchNorm] [None, 16, 60, 80] 'weight', [16] 'bias', [16] 32 297,600
backbond1.7.branch1.0.branch3.2.activation [Relu] [None, 16, 60, 80] 0 0
backbond1.7.branch1.0.branch3.2 [Conv2d_Block] [None, 16, 60, 80] 0 0
backbond1.7.branch1.0.branch3.3.conv [Conv2d] [None, 16, 60, 80] 'weight', [16, 16, 3, 3] 2,304 22,113,600
backbond1.7.branch1.0.branch3.3.norm [BatchNorm] [None, 16, 60, 80] 'weight', [16] 'bias', [16] 32 297,600
backbond1.7.branch1.0.branch3.3 [Conv2d_Block] [None, 16, 60, 80] 0 0
backbond1.7.branch1.0 [ShortCut2d] [None, 48, 60, 80] 0 0
backbond1.7.branch1.1.conv [Conv2d] [None, 64, 60, 80] 'weight', [64, 48, 1, 1] 3,072 29,486,400
backbond1.7.branch1.1.norm [BatchNorm] [None, 64, 60, 80] 'weight', [64] 'bias', [64] 128 1,219,200
backbond1.7.branch1.1 [Conv2d_Block] [None, 64, 60, 80] 0 0
backbond1.7.branch2.conv [Conv2d] [None, 64, 60, 80] 'weight', [64, 64, 1, 1] 4,096 39,316,800
backbond1.7.branch2.norm [BatchNorm] [None, 64, 60, 80] 'weight', [64] 'bias', [64] 128 1,219,200
backbond1.7.branch2 [Conv2d_Block] [None, 64, 60, 80] 0 0
backbond1.7 [ShortCut2d] [None, 64, 60, 80] 0 0
classification_headers.0.0 [DepthwiseConv2d] [None, 64, 60, 80] 'weight', [64, 1, 3, 3] 'bias', [64] 640 6,134,400
classification_headers.0.1 [Conv2d] [None, 15, 60, 80] 'weight', [15, 64, 1, 1] 'bias', [15] 975 9,350,400
regression_headers.0.0 [DepthwiseConv2d] [None, 64, 60, 80] 'weight', [64, 1, 3, 3] 'bias', [64] 640 6,134,400
regression_headers.0.1 [Conv2d] [None, 12, 60, 80] 'weight', [12, 64, 1, 1] 'bias', [12] 780 7,478,400
backbond2.0.0.conv [DepthwiseConv2d] [None, 64, 30, 40] 'weight', [64, 1, 3, 3] 576 1,381,200
backbond2.0.0.norm [BatchNorm] [None, 64, 30, 40] 'weight', [64] 'bias', [64] 128 304,800
backbond2.0.0.activation [Relu] [None, 64, 30, 40] 0 0
backbond2.0.0 [DepthwiseConv2d_Block] [None, 64, 30, 40] 0 0
backbond2.0.1.conv [Conv2d] [None, 128, 30, 40] 'weight', [128, 64, 1, 1] 8,192 19,659,600
backbond2.0.1.norm [BatchNorm] [None, 128, 30, 40] 'weight', [128] 'bias', [128] 256 612,000
backbond2.0.1.activation [Relu] [None, 128, 30, 40] 0 0
backbond2.0.1 [Conv2d_Block] [None, 128, 30, 40] 0 0
backbond2.1.0.conv [DepthwiseConv2d] [None, 128, 30, 40] 'weight', [128, 1, 3, 3] 1,152 2,763,600
backbond2.1.0.norm [BatchNorm] [None, 128, 30, 40] 'weight', [128] 'bias', [128] 256 612,000
backbond2.1.0.activation [Relu] [None, 128, 30, 40] 0 0
backbond2.1.0 [DepthwiseConv2d_Block] [None, 128, 30, 40] 0 0
backbond2.1.1.conv [Conv2d] [None, 128, 30, 40] 'weight', [128, 128, 1, 1] 16,384 39,320,400
backbond2.1.1.norm [BatchNorm] [None, 128, 30, 40] 'weight', [128] 'bias', [128] 256 612,000
backbond2.1.1.activation [Relu] [None, 128, 30, 40] 0 0
backbond2.1.1 [Conv2d_Block] [None, 128, 30, 40] 0 0
backbond2.2.0.conv [DepthwiseConv2d] [None, 128, 30, 40] 'weight', [128, 1, 3, 3] 1,152 2,763,600
backbond2.2.0.norm [BatchNorm] [None, 128, 30, 40] 'weight', [128] 'bias', [128] 256 612,000
backbond2.2.0.activation [Relu] [None, 128, 30, 40] 0 0
backbond2.2.0 [DepthwiseConv2d_Block] [None, 128, 30, 40] 0 0
backbond2.2.1.conv [Conv2d] [None, 128, 30, 40] 'weight', [128, 128, 1, 1] 16,384 39,320,400
backbond2.2.1.norm [BatchNorm] [None, 128, 30, 40] 'weight', [128] 'bias', [128] 256 612,000
backbond2.2.1.activation [Relu] [None, 128, 30, 40] 0 0
backbond2.2.1 [Conv2d_Block] [None, 128, 30, 40] 0 0
classification_headers.1.0 [DepthwiseConv2d] [None, 128, 30, 40] 'weight', [128, 1, 3, 3] 'bias', [128] 1,280 3,069,600
classification_headers.1.1 [Conv2d] [None, 10, 30, 40] 'weight', [10, 128, 1, 1] 'bias', [10] 1,290 3,093,600
regression_headers.1.0 [DepthwiseConv2d] [None, 128, 30, 40] 'weight', [128, 1, 3, 3] 'bias', [128] 1,280 3,069,600
regression_headers.1.1 [Conv2d] [None, 8, 30, 40] 'weight', [8, 128, 1, 1] 'bias', [8] 1,032 2,474,400
backbond3.0.0.conv [DepthwiseConv2d] [None, 128, 15, 20] 'weight', [128, 1, 3, 3] 1,152 690,900
backbond3.0.0.norm [BatchNorm] [None, 128, 15, 20] 'weight', [128] 'bias', [128] 256 153,000
backbond3.0.0.activation [Relu] [None, 128, 15, 20] 0 0
backbond3.0.0 [DepthwiseConv2d_Block] [None, 128, 15, 20] 0 0
backbond3.0.1.conv [Conv2d] [None, 256, 15, 20] 'weight', [256, 128, 1, 1] 32,768 19,660,500
backbond3.0.1.norm [BatchNorm] [None, 256, 15, 20] 'weight', [256] 'bias', [256] 512 306,600
backbond3.0.1.activation [Relu] [None, 256, 15, 20] 0 0
backbond3.0.1 [Conv2d_Block] [None, 256, 15, 20] 0 0
backbond3.1.0.conv [DepthwiseConv2d] [None, 256, 15, 20] 'weight', [256, 1, 3, 3] 2,304 1,382,100
backbond3.1.0.norm [BatchNorm] [None, 256, 15, 20] 'weight', [256] 'bias', [256] 512 306,600
backbond3.1.0.activation [Relu] [None, 256, 15, 20] 0 0
backbond3.1.0 [DepthwiseConv2d_Block] [None, 256, 15, 20] 0 0
backbond3.1.1.conv [Conv2d] [None, 256, 15, 20] 'weight', [256, 256, 1, 1] 65,536 39,321,300
backbond3.1.1.norm [BatchNorm] [None, 256, 15, 20] 'weight', [256] 'bias', [256] 512 306,600
backbond3.1.1.activation [Relu] [None, 256, 15, 20] 0 0
backbond3.1.1 [Conv2d_Block] [None, 256, 15, 20] 0 0
classification_headers.2.0 [DepthwiseConv2d] [None, 256, 15, 20] 'weight', [256, 1, 3, 3] 'bias', [256] 2,560 1,535,400
classification_headers.2.1 [Conv2d] [None, 10, 15, 20] 'weight', [10, 256, 1, 1] 'bias', [10] 2,570 1,541,400
regression_headers.2.0 [DepthwiseConv2d] [None, 256, 15, 20] 'weight', [256, 1, 3, 3] 'bias', [256] 2,560 1,535,400
regression_headers.2.1 [Conv2d] [None, 8, 15, 20] 'weight', [8, 256, 1, 1] 'bias', [8] 2,056 1,233,000
extra.0 [Conv2d] [None, 64, 15, 20] 'weight', [64, 256, 1, 1] 'bias', [64] 16,448 9,868,200
extra.1 [DepthwiseConv2d] [None, 64, 8, 10] 'weight', [64, 1, 3, 3] 'bias', [64] 640 102,240
extra.2 [Conv2d] [None, 256, 8, 10] 'weight', [256, 64, 1, 1] 'bias', [256] 16,640 2,662,240
extra.3 [Relu] [None, 256, 8, 10] 0 0
classification_headers.3 [Conv2d] [None, 15, 8, 10] 'weight', [15, 256, 3, 3] 'bias', [15] 34,575 5,531,840
regression_headers.3 [Conv2d] [None, 12, 8, 10] 'weight', [12, 256, 3, 3] 27,648 4,423,600
================================================================
Total params: 299,926
Trainable params: 299,926
Non-trainable params: 0
Total MACC: 429,089,640
Total FLOPs: 0.85692 GFLOPs
----------------------------------------------------------------
Input size (MB): 3.52
Forward/backward pass size (MB): 355.32
Params size (MB): 1.14
Estimated Total Size (MB): 359.98
----------------------------------------------------------------
Out[12]:
SsdDetectionModel(
(palette): (128, 255, 128)
(palette): (128, 255, 128)
) |  |
六、人臉辨識在雲端與邊緣：目前的數位攝影機規格都不錯，你可以依據成本、精密度(商用/工業用/微距)、使用情境來選擇欲佈署的架構與裝置(USB/Network/PoE Switch supported…)。像我家中是用瑞典大廠 Axis，它的WebCam 是含有CPU(一般都只有晶片)的裝置，就像iPhone可以去市集下載新的功能至你的攝影機。早期我有向著後陽台設定電子圍籬，就因為鄰居的貓半夜經過多次誤觸警報，只好放棄室外監控，讓第二支室內攝影機的電子圍籬，由二線升到一線。幾年後，原廠新增的非人類的篩選，我只需更新軟體，二線又可以回到一線的警戒。這就是一個邊緣運算的好例子。
- 公有雲以 Azure 為例，任一個數據中心都有四個足球場這麼大的容量，以獨立的水、電、網路、GPU、硬碟，來提供近乎無限的運算資源，再加上超過 90種合規 Compliance 認証，比放在銀行保管箱還安全(假設任一個合規每三個月都要來你家稽核一次，如果你想要做歐美生意，光是定期的稽核報告就會讓你寫到手軟 ISO 27001、ISO 27018、SOC 1、SOC 2、SOC3、FedRAMP、HITRUST、MTCS、IRAP、 ENS)。至於網路你也不用擔心，Azure 在全世界的資料中心都已經佈建好海底電纜的國際網路，不管你是用ADSL、Fiber、還是4G/5G上網，都能享受到傳輸時免費的加密功能(儲存時的加密另有收費的解決方案可以選購)。==> 換言之，在雲端你可以不受限制的發展你的人臉辨識模型，然後以 API的方式來提供人臉比對。
- 邊緣裝置提供了較佳的移動性，但是卻犧牲了資源的擴充性。資源雖然有限，也不代表就跑不動，就像是曾經支配 PDA 手持市場的微型資料庫 Sybase SQL Anywhere，僅需要1MB的記億體與 2KB的硬碟空間，也能在PDA上面跑的嚇嚇叫。Tensor Flow Lite、Onnx是目前邊緣裝置的主流框架，如果你在電腦或是雲端環境開發時是用 Tensor Flow，你可以選擇輸出成 Tensor Flow Lite；如果你在電腦或是雲端環境開發時是用 Pytorch，你可以選擇 Pytorch => Onnx 或是 Pytorch => Onnx => Tensor Flow => Tensor Flow Lite
- 至於 ASIC(Application Specific Integrated Circuit) 特定應用積體電路，因為我還沒有接觸過，將來有機會再介紹給大家。
七、人臉辨識的法律或是道德問題
- 國內法律：隨著台灣日前出現了嚴重地 AI換臉犯罪，總統對子虛烏有的公眾人物性愛影片大怒，馬上就讓內政部在刑法上能夠增訂深偽犯罪條款。相信後續的規範一定會愈來愈清楚…
- 國外法律：如果你做的是歐美生意，你需要留意歐盟正考慮暫時為期 3~5年在公共場域使用人臉辨識科技禁令，而美國在伊利諾伊州則是有生物識別數據保密法 Biometric Information Privacy Act，另外還有加州消費者隱私法 California Consumer Privacy Act 或是華盛頓州的法令，都有明確地規範企業與政府該怎麼應用生物識別數據的使用。
- 道德：水能載舟亦能覆舟，Azure 在雲端 AI服務經過了數年的發展後，已經規範了明確地準則在產品與服務的設計中，包含當責、透明、公平(之前提供給警察局的人臉辨識方案中，黑人的辨識率偏低，經調查發現訓練集都是以白人為主，顧及公平性就先行解約，事後再去補足黑人的訓練資料來完善自家的產品)、可靠性與安全性、隱私與安全、包容。細節可以參考官網的說明
八、結論：
- 不管是人臉辨識還是其他深度學習的 AI模型，DNN發展至今已經能實作出令人咋舌的精密人腦的功能，例如反省、遺忘、抽象能力。透過 backward propagation 反向去更新權重，然後再接續下一個批次的 forward propagation。愈學愈好，類似人類在算數學的反覆驗算行為；透過 Drop out 隨機地忘掉一半的參數，讓機器設法重新去學會更有用的特徵。類似「滿招損，謙受益」理念，以空杯的心態虛心求教，可以學得更多更好；透過 encoder 降維學習，再用 decoder 升維驗證，抽象地去學習事物的表徵與脈絡。
- 想讓 AI 做到人類的舉一反三，並不是背多分，花是買市面上各個牌子的參考書，除了耗時也費力(資料集的取得在個資法或是其他生物識別數據保密法的前題，只會更困難)而且效果很有限。真的有效的方法是讓 AI去進行多個子任務的訓練，例如在 ArcFace 的主要模型框架之外，再增加 data augmentation 來提升抗雜訊或是對不同環境的適應力，甚至再增加對口罩的辨識子任務…等
- 若想要在邊緣裝置運行人臉辨識，AI瘦身是必要的行為，包含透過結構性的網路修剪或是簡化節點的結構，另一個就是降低的精密度來減少參數的運算量。抑或是我接下來要去研究的知識蒸餾 Knowledge distillation 讓大模型所獲得的知識可以遷移至小模型中。
九、其他：
- 人臉特徵點 Facial landmark 基礎於五官特徵的中心點定位，故人類眼耳口鼻嘴大多相似的佈局，並不能直接拿來做人臉辨識，只能成為快速定位人臉在整張圖像的區域、進行人臉對齊、或是表情辨識。如果你有看過 Lie to me 探討人類微表情與打擊犯罪的國外影集，個人覺得這是一個更大的 AI好題目…
- 中文翻譯為空想性錯視 Pareidolia 指的是，人類可以用簡單線條的火柴人去會意一個人，同理在身邊有許多符號 Symbol 也能類比或會意出更高階的意涵。例如火星上Cydonia地區有一個外星迷很熱烈討論的 face on Mars(下圖)，愛好者就已經著手透過 Pareidolia 去掃描地圖去探索形而上的未知或是巧合。
- Uber 為了乘客安全的司機驗證 App 所開發出來的 CoordConv 座標捲積來改善捲積逐像素處理時，雲深不知處的先天缺陷的問題，也只值得將來繼續再來寫文章探討…
- 用聲音去預測長相，美國海岸警衛隊就有採用類似 MIT麻省理工學院的 Speach2Face 模型，來揪出浪費國家資源的惡作劇報案民眾(每年約150個)，情節重大者甚至能夠成為刑事訴訟的証據之一。
李秉錡 Christian Lee
Once worked at Microsoft Taiwan
