Un algorithme de reconnaissance faciale plus fort que l’homme

Pour la première fois dans l’histoire, un algorithme développé par deux chercheurs a réussi à battre les humains dans un test de reconnaissance faciale. Face à deux photos prises dans des angles différents, le programme GaussianFace est capable de reconnaître s’il s’agit bien de la même personne.

Cette intelligence artificielle a été développée par les chinois Chaochao Lu et Xiaoou Tang pour classer entre des images ayant des conditions d’éclairage, des angles de prise de vue, ou des paramètres changeant.

Habituellement, pour ce genre de problématique les chercheurs font appel à la technique connexionniste s’appuyant sur un réseau de neurones artificiels. Mais ici, les deux chinois ont préféré une méthode par l’apprentissage. L’algorithme commence par normaliser les photos en 150 x 150 pixels et selon cinq points de repère : les deux yeux, le nez et les coins de la bouche. Il sous-divise ces images en superposant des morceaux de 25 x 25 pixels qu’il vectorise ensuite pour lui permettre de rechercher les similitudes. Le logiciel extrait un motif binaire local ou LBP en anglais.

GaussianFace apprend automatiquement de quatre bases de données différentes dont Multi-PIE qui compte 750 000 photos et Life Photos 4 000. Sur ces photos les mêmes personnes sont prises sous différents points de vue et conditions d’éclairages. Une fois l’apprentissage effectué, l’algorithme était prêt à affronter les images de la base de données test, Labeled Faces in the Wild ou LFW.

Cet algorithme de reconnaissance faciale chinois a été capable d’identifier une même personne sur des photos différentes malgré les variations des paramètres. Il a même dépassé l’humain puisque GaussianFace a obtenu un pourcentage de réussite de 98,52 %, par rapport à 97,53 % obtenu par les humains.

Ce qui est innovant dans cet algorithme est la méthode utilisée : basée sur l’analyse discriminante linéaire avec quelques modifications intéressantes (et intelligentes !), qui permettent de travailler sur une optimisation non-linéaire pour de meilleures performances. L’inconvénient est la nécessité d’avoir recours à une quantité de données phénoménales pour que GaussianFace soit performant.


Laisser un commentaire