爱莫致密人脸点跟踪展示
3月27日，爱莫科技CEO杨恒受邀参与VALSE Webinar19-06期“人脸识别：路在何方”主题报告会，同期报告嘉宾包括密歇根州立大学刘小明老师、便利蜂AI研究院副主席兼首席科学家华刚老师、中国科学院深圳先进技术研究院乔宇老师。会议由中国科学院计算技术研究所山世光老师主持，近千人同时在线参与会议。
VALSE是视觉与学习领域国内外华人的首要学术交流平台，「VALSE Webinar」线上技术分享会作为其重要产品自推出第一期，经过不断改进，为大家提供了学术的交流舞台，获得业界一致好评。
人脸识别作为人工智能技术落地普及得最好的一个领域，被广泛运用在安防、新零售等行业。如今，它的发展状况如何？未来又有怎样的发展？工业界与学术界如何实现数据与算法的平衡？各位嘉宾都进行了分享。
首先刘小明老师进行了《3D Face Modeling, Reconstruction and its Role in Face Recognition》的主题报告，他就如何通过3D人脸模型重建技术推动人脸识别的进一步发展进行了分享。接着华刚老师在《Efficient, Accurate, and Robust Face Recognition》的主题报告中，向大家分享了人脸识别已经成熟商业化推广的现状下，应如何提高检测、识别的精准度等问题。
进入Panel讨论阶段，杨恒作为工业界代表与其他几位学术界专家就人脸识别的应用现状及未来发展等问题展开了激烈讨论。
Q1：人脸识别是一个solved problem吗？学术界、工业界和用户对识别系统性能的评价有何不同理解？何时可以说一个问题是solved？
参与嘉宾对此答案一致为“否”。
站在工业界立场，杨恒谈到，当人脸识别落地到实际场景时，总会由于光照、角度等外界因素影响识别精准度，由此证明该项技术还有优化空间。工业界、消费者、学术界对人脸识别认知的不同导致理解偏差，他认为人脸识别应该上升为系统层面的问题来看待。其他嘉宾也表示对学术界来说，是站在解决人脸识别这一问题的立场，并推动其普适性教育，所以可以有“已解决”的描述，但对工业界的各类极端、定制化的需求场景，都需要进一步优化现有人脸识别技术，提升性能。
Q2：学术界应该如何面对工业界靠数据取胜的局面？除了靠数据，还有什么可以提高性能？两者不同的研究方法如何实现差异化研究？
刘小明老师认为不管是工业界的数据优势还是学术界的算法实力，本质都是为了解决实际问题。其他嘉宾也认为两者应该增加互动以提高人工智能技术的实用性，例如工业界在被允许的前提下为学术界提供种类丰富或“疑难杂症”的样本数据，两者合作共同实现技术的攻坚克难，开拓新理论、新方法。
但网络时代的今天，大数据集的公开与否、如何保证用户数据信息安全等问题还是一场艰巨的攻防战，需要国家政策等社会力量一起来完善。
Q3：1:1场景下，验证率不低于95%时，现有SOTA人脸识别系统的FAR能到亿分之一吗？在1:N场景，N=10万人，且Open-set场景下，在识别率不低于95%时，FAR能到0.1%或更低吗？
对学术界来说，实现1:1场景下亿分之一的FAR目标或者1:N场景下0.1%的FAR是很有价值的。但对工业界，杨恒认为这可以被称为场景depended 的问题，不同场景有不同检测识别精度需求，企业要做到的是在保证系统安全的情况下提高用户体验度。
Q4：现有人脸识别系统什么情况下比人类强？什么时候不如？
关于此问题杨恒谈到，人类识别熟悉人脸的能力是远远强于机器的，因为除了基本的脸部，人类还会依靠声音、服装等参考因素保证识别准确。但对于陌生人脸的模型数据标注和识方面，机器能力大部分情况强于人类。华刚老师也补充提到，人虽然在识别效率上具有强鲁棒性，但对于大规模的重复、精准陌生人脸识别情况，机器是领先于人类的。
Q5：是否有必要以及如何提升现有人脸识别系统的可解释性？
可解释性的人工智能如今是一个热点话题，如何让机器解释自己，减少算法产生的偏差也是科技界的新挑战，对此嘉宾也提出了自己的观点：
杨恒：应该要有相应的benchmark来支持影响因素的数据评估；乔宇老师认为，对学术界来说，非常希望每个模型都能可解释，以此研究模型好以及为什么好的问题，另外对于实际应用来说，一些场景下能将模型的可解释性与人类描述特征相关联，提升运用效率。
总之，可解释性是工具，我们希望能用这些工具来达成研究目标。
从各位嘉宾的分享中我们看到，如今的人脸识别技术还远远达不到一个已解决问题的标准，仍然存在很多未知且值得我们去深入挖掘与研究的。道阻且长，希望更多青年才俊加入到人脸识别的阵营共同为创造美好明天而奋斗！
同日，ACM宣布，深度学习的三位创造者Yoshua Bengio、Yann LeCun、Geoffrey Hinton获得图灵奖，受到计算机科学领域最高奖的认可，代表深度学习的胜利！
