三星人脸识别购物还不够安全 技术改进尚需数年

三星的面部识别技术目前不足以用于SamsungPay等移动支付的安全验证。据《韩国先驱报》报道,该技术要在未来四年内发展到能独立支持金融交易的安全级别。尽管如此,其他公司如LG和苹果仍在考虑将面部识别技术引入自家的移动支付服务。
部署运行你感兴趣的模型镜像

三星的面部识别解锁功能允许用户盯着Galaxy S8激活该设备。不过,据《韩国先驱报》(The Korea Herald)报道,援引自三星内部消息来源的信息称,距离三星这项功能足够安全到用于Samsung Pay支付款项,可能还要数年。

如今,成千上万的用户都使用指纹识别器(三星还有虹膜扫描仪)进行安全支付,支持Apple Pay、Android Pay和Samsung Pay等移动支付服务。而另一方面,有报道称人脸解锁功能被照片愚弄了。不过,如果将验证移动支付的方式换做面部识别技术,可能会比虹膜扫描仪和指纹读取器更加方便。

据《韩国先驱报》的消息来源表示:“要使脸部识别技术能够单独用于金融交易,考虑到目前的相机和深度学习技术水平,至少还需要四年以上。”

三星并未立即就此置评。

三星此前曾告诉向CNET表示,其面部识别还不够安全,不适合访问Samsung Pay或安全文件夹,甚至当用户在Galaxy S8上使用人脸解锁设置时,也会有免责声明。

不过,这并不能阻止其他公司考虑将这项技术用于移动支付。有传闻称LG将为其即将推出的LG Pay服务加入面部识别技术,也有传闻称苹果iPhone 8也允许用户使用脸解锁手机。

如果人脸解锁得以实现,目前我们还不清除LG或苹果的技术与三星将会有哪些不同。

当然,在一切尘埃落定前,用户一直都可以使用自己可靠的指纹解锁设备。


您可能感兴趣的与本文相关的镜像

Stable-Diffusion-3.5

Stable-Diffusion-3.5

图片生成
Stable-Diffusion

Stable Diffusion 3.5 (SD 3.5) 是由 Stability AI 推出的新一代文本到图像生成模型,相比 3.0 版本,它提升了图像质量、运行速度和硬件效率

【无线传感器】使用 MATLAB和 XBee连续监控温度传感器无线网络研究(Matlab代码实现)内容概要:本文围绕使用MATLAB和XBee技术实现温度传感器无线网络的连续监控展开研究,介绍了如何构建无线传感网络系统,并利用MATLAB进行数据采集、处理与可视化分析。系统通过XBee模块实现传感器节点间的无线通信,实时传输温度数据至主机,MATLAB负责接收并处理数据,实现对环境温度的动态监测。文中详细阐述了硬件连接、通信协议配置、数据解析及软件编程实现过程,并提供了完整的MATLAB代码示例,便于读者复现和应用。该方案具有良好的扩展性和实用性,适用于远程环境监测场景。; 适合人群:具备一定MATLAB编程基础和无线通信基础知识的高校学生、科研人员及工程技术人员,尤其适合从事物联网、传感器网络相关项目开发的初学者与中级开发者。; 使用场景及目标:①实现基于XBee的无线温度传感网络搭建;②掌握MATLAB与无线模块的数据通信方法;③完成实时数据采集、处理与可视化;④为环境监测、工业测控等实际应用场景提供技术参考。; 阅读建议:建议读者结合文中提供的MATLAB代码与硬件连接图进行实践操作,先从简单的点对点通信入手,逐步扩展到多节点网络,同时可进一步探索数据滤波、异常检测、远程报警等功能的集成。
内容概要:本文系统讲解了边缘AI模型部署与优化的完整流程,涵盖核心挑战(算力、功耗、实时性、资源限制)与设计原则,详细对比主流边缘AI芯片平台(如ESP32-S3、RK3588、Jetson系列、Coral等)的性能参数与适用场景,并以RK3588部署YOLOv8为例,演示从PyTorch模型导出、ONNX转换、RKNN量化到Tengine推理的全流程。文章重点介绍多维度优化策略,包括模型轻量化(结构选择、输入尺寸调整)、量化(INT8/FP16)、剪枝与蒸馏、算子融合、批处理、硬件加速预处理及DVFS动态调频等,显著提升帧率并降低功耗。通过三个实战案例验证优化效果,最后提供常见问题解决方案与未来技术趋势。; 适合人群:具备一定AI模型开发经验的工程师,尤其是从事边缘计算、嵌入式AI、计算机视觉应用研发的技术人员,工作年限建议1-5年;熟悉Python、C++及深度学习框架(如PyTorch、TensorFlow)者更佳。; 使用场景及目标:①在资源受限的边缘设备上高效部署AI模型;②实现高帧率与低功耗的双重优化目标;③掌握从芯片选型、模型转换到系统级调优的全链路能力;④解决实际部署中的精度损失、内存溢出、NPU利用率低等问题。; 阅读建议:建议结合文中提供的代码实例与工具链(如RKNN Toolkit、Tengine、TensorRT)动手实践,重点关注量化校准、模型压缩与硬件协同优化环节,同时参考选型表格匹配具体应用场景,并利用功耗监测工具进行闭环调优。
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值