起點課堂會員權益
職業體系課特權
線下行業大會特權
個人IP打造特權
30+門專項技能課
1300+專題課程
12場職場軟技能直播
12場求職輔導直播
12場專業技能直播
會員專屬社群
榮耀標識“獸工智能”之“豬臉識別”
“豬臉識別”這一技術乍聽上去很喜感，事實上早就不是新鮮事了。而“豬臉識別”這一技術的發展，無疑是“獸工智能”相關領域的大突破，會給畜牧業帶來巨大的利好。
下圖是小豬佩奇，我知道大家都知道。
這是豬豬俠，可能有一部分人也知道。
那這一窩小豬呢，分散后大家還能區別出誰是誰嗎？
由于豬是多胎生動物，因此長相十分相似。而上圖還是干凈的小豬，眼尖的勉強尚還能區分出他們。在實際生活場景中，豬受生活環境、彼此打斗等影響，會把臉弄臟，極難識別。要實現個體化管理，首先得把它們辨認出來。
因此今年3月，中山大學教授陳瑤生發布了“豬臉識別”技術，旨在攻破這一生物活體識別技術。之前智能相對論曾定義“獸工智能”，即和動物相關而衍生的人工智能。而“豬臉識別”這一技術的發展，無疑是“獸工智能”相關領域的大突破，會給畜牧業帶來巨大的利好。
愿景很美好，成長的煩惱也不少
“豬臉識別”這一技術乍聽上去很喜感，事實上早就不是新鮮事了，去年京東金融全球數據探索者大賽中就有這么一道題。
陳教授表示：有了豬臉識別技術，操作者只需要舉起手機，對著某頭豬掃一掃，就能得到豬的編號、豬的父母、品系等信息，甚至可以通過對豬體態和動作的識別來判斷豬的健康情況。
但和所有的技術一樣，“豬臉識別”這一“獸工智能”技術的發展過程中，也有一些成長的煩惱。
1. 缺少不同品種的豬在生長中體型面部變化的數據
豬的生長周期在110天到120天左右，與牛270天左右的生長周期相比，豬生長過程中的外貌變化可以用翻天覆地來形容，這就是“豬臉識別”比“牛臉”、“羊臉”識別難度更高的原因。
下圖是豬小花“毀容”式的一生，出生就是巔峰，從此一直走下坡路，面部及體型的變化相當之大。如果我們要追蹤豬小花的豬生，需要在每個階段都進行面部信息采集，工作量可想而知。
更可怕的是這是一個翻開顯示“答案：略”的問題。即沒有現成的數據比對，我們幾乎不能確定豬生長到哪一階段面部特征或形體會有顯著的變化，如此一來何時進行數據采集就變得更加沒有依據。
而即便豬又聽話臉還干凈也常常正臉面對攝像頭（這幾乎是不可能的），智能自動采集后龐大的數據如何存儲，如何分析和調用？依然是需要探究的問題。
2. 面臨更加成熟技術的競爭
豬臉識別需要依靠數據采集，數據的學習以及最后的檢索等程序來確定豬的身份，每一個環節都可能會因為技術及概率的缺陷造成誤差。而經過長時間發展的智能耳標則更成熟，而且在確定豬的身份上更加精確。
耳標相當于豬的身份證，具有唯一性，既可以滿足動物日常信息管理，也可以實現動物產品的全程追溯。
雖然陳瑤生教授表示：戴耳標、植入芯片等方法識別豬只，會給動物帶來了不必要的身體傷害，但是讓豬再快樂地生活，最后都免不了痛苦的去死。而隨著智能耳標也在向著人工智能的方向發展，顯然這兩門技術的決斗還尚未開始。
除了“豬臉識別“，還有 “羊臉”、“牛臉”、“狗臉”、“馬臉”……
上面提到“牛臉”、“羊臉”識別相對于“豬臉識別”更簡單，而其發展無疑會給“豬臉識別”新的啟示。劍橋大學的教授就開發了一種表情識別系統，通過面部識別來判斷綿羊的疼痛程度，如果將這項技術應用到牧場，用攝像頭來監控羊群，就可以及時發現綿羊的生病情況。
狗作為人類最忠實的好朋友，“獸工智能”在其身上取得的成果并不少，筆者曾對此分析過。而今年4月1日百度推出的“狗臉識別”，不僅可以便于寵物的找回，而且能夠掃描狗臉喂食、自由進出門禁、還能收取快遞與購買商品并支付等功能。
雖然初衷是好的，但后面的幾點畫風似乎很清奇，畢竟自由進出門禁可能會發生，壞人拎著我的狗偷走了我的錢怎么辦？
而在未來，除了前面提到的——生物活體識別技術通過深度學習對動物面部特征、整體體態和行為特征進行識別，判斷其品種和其健康情況。比如：哪些動物生病了，生了什么病，那些動物沒有吃飽，甚至哪些動物到了發情期需要配種等等。
更重要的是：可以為食品安全、養殖戶信貸服務甚至更多的金融服務等商業應用提供決策依據。
然而說到這里，開頭提出了的豬臉難以識別的問題似乎還沒有解決。而在陳瑤生教授的豬臉識別技術的實驗場中，母豬識別率為98%（估計是母豬體型大不好移動），肉豬識別率則為85%。這個識別率并不算高，特對是對大規模的養殖場而言。
所以，俺老豬面部識別率還可以再提高嗎？
當前使用的人工智能技術來實現視覺識別的原理基本上是一致的，即利用計算機神經網絡的深度學習，學到每一頭豬的特征，然后利用深度學習的模型 ，針對測試數據集，得到每一頭豬的概率，最后來判別哪頭豬是哪頭豬。
最常采用的做法是把人臉的模型直接fine tune(微調)到動物臉，但是fine tune在深度學習里面更像是一個處理手段。
而Transfer learning(遷移學習)可以看成是一套完整的體系，是一種處理流程。目的是不拋棄從之前數據里得到的有用信息，同時應對新進來的大量數據的缺少標簽，或者由于數據更新而導致的標簽變異情況。
京東舉辦的“豬臉識別”冠軍團隊就是采用的這種辦法，該團隊表示剛拿到數據集時，很難分辨哪頭豬是哪頭。而當他們使用模型再運行數據，發現豬臉識別的最后運行效果達到比模型跑人臉的效果還好。
但是值得一提的是：由于AI工作與其他科學研究相比，學術研究數據，尤其是大量級、多維度、優質、真實的數據依賴程度高。
據官方報道：該數據素材只拍攝了兩天，因此京東這次拍攝的數據并不具備時間上的動態變化，具有一定的局限性。
而這里采用遷移學習識別馬，則使用了一種全新的思路。由于人臉的特征和動物臉部的特征本身的差異很大，但是當動物的臉部做了變形之后，就會和人臉比較相似了。所以，我們需要先找到一個人臉和馬臉相似性較大的一個映射空間，然后使得人臉的訓練數據可以被有效的利用起來訓練馬臉。
具體辦法是：先找到人臉和馬臉角度或者表情相似的圖片，然后以相似的部位作為關鍵點，接著訓練獲得一個映射區間，得到了這一映射區間之后，把原來的馬臉圖片做變換，最后再采用人臉模型去fine tune動物臉檢測的模型。
顯然，“豬臉識別”也可以借鑒這種辦法，相信在不久的未來，“豬臉識別”技術可以更加準確。
由于大多數人都臉盲，佩奇就是我們見過最單純的豬了。而其他的，更精細的識別與診斷，只能通過“獸工智能”來實現了。
【完】
作者：雷宇
本文由 @智能相對論 原創發布于人人都是產品經理。未經許可，禁止轉載
題圖來自 Pexels，基于 CC0 協議
- 目前還沒評論，等你發揮！
