9、深度学习与云计算在面部识别和猪病分类中的应用

深度学习与云计算在面部识别和猪病分类中的应用

深度学习在混合架构下的面部识别

技术使能因素

在实际场景中有效运用深度学习进行面部识别，有两个关键的使能因素，即算法选择和网络要求。以边缘计算为例，在图像中检测面部的算法选择，需要考虑边缘计算中的并行处理机会。在混合架构中，相似度计算方法（如余弦、欧几里得或L2）的选择可以推动分布式计算，实现上文提到的分散式面部识别。

金融服务中的应用

虽然该方法主要讨论了面部识别在金融服务身份识别中的应用，但还可以使用DeepFace预训练模型来获取其他面部特征，如年龄范围、性别和情绪，从而巩固金融服务的定制化流程。不过，这一过程需要混合架构的支持。因为在纯云计算架构中，延迟可能会影响定制化流程的效率，特别是在客户时间有限的情况下。而且，金融服务机构在销售过程中有“关键时刻”的要求。

框架与架构评估

研究提出了一个使用面部测量和卷积神经网络的框架。通过调整卷积神经网络的各种参数来评估该框架和CNN架构的性能，以提高面部识别工具的准确性。这种尝试使用最先进算法的智能系统需要大量的计算资源，如果在云端执行，可能需要较大的带宽。

混合架构的优势

在交易服务（如金融服务）中，服务质量不应受到此类补充服务的影响。因此，边缘处理可以最大程度地减少集成问题。对混合架构的测试表明，带宽减少和能源效率的提升带来了以下好处：
1. 增加定制化金融服务 ：能够根据客户的面部特征提供更个性化的金融服务。
2. 降低合规风险 ：确保金融服务符合相关法规要求。