qq_14835271的博客

活体检测技术应用场景金融支付，门禁，打卡机等应用场景。任务目标为判断捕捉到的人脸是真实人脸，还是伪造的人脸攻击。任务难点主要是：攻击源分布过于广泛不同攻击源之间差距不明显使用场景限制检测方法当前开放样本数据不足2019世界黑帽安全大会，腾讯公司演示了攻破苹果Face ID。工具为：一款特制眼镜，眼镜镜片上贴有黑色胶带，黑色胶带中心还贴有白色胶带。《福布斯》的记者们决定使用 3D 打印石膏人脸攻击手机的人脸识别功能。 在一通测试之后，他们发现石膏人脸竟可以破解当时四种流行旗舰手机（LG G

从人工智能开始让机器具有人类的智能，能够理解人类语言、语音、图片、视频以及各种人类活动数据，并以此为依托辅助甚至代替人类做出决策，是人工智能的终极目标。最早提到机器智能的是图灵，1950年，他提出机器是否拥有智能的测试方法为：一个人在不接触对方的情况下，通过一种特殊的方式，和对方进行一系列的问答。如果在相当长时间内，他无法根据这些问题判断对方是人还是计算机，那么就可以认为这个计算机是智能的，而该测试也称为图灵测试。1956年的达特茅斯（Dartmouth）会议。在这次会议上，“人工智能”...

注意力机制由于优化算法和计算能力的限制，神经网络在实践中很难达到通用近似的能力。网络不能太复杂（参数太多）。为了提高网络的能力，分别采用了一些措施，如局部连接、权重共享、汇聚操作等。简单循环神经网络存在长期依赖问题，（ LSTM网络）引入一个近似线性依赖的记忆单元来存储远距离的信息。记忆单元的存储能力和其大小相关。如果增加记忆单元的大小，网络的参数也随之增加。大脑中的注意力：人脑每个时刻接收的外界输入信息非常多，包括来源于视觉、听觉、触觉的各种各样的信息。但就视觉来说，眼睛每秒钟都会发送千万比特的信息给

前馈网络的一些不足连接存在层与层之间，每层的节点之间是无连接的。（无循环）输入和输出的维数都是固定的，不能任意改变。无法处理变长的序列数据。假设每次输入都是独立的，也就是说每次网络的输出只依赖于当前的输入。循环神经网络循环神经网络通过使用带自反馈的神经元，能够处理任意长度的序列。循环神经网络比前馈神经网络更加符合生物神经网络的结构。循环神经网络已经被广泛应用在语音识别、语言模型以及自然语言生成等任务上。h(t)=f(h(t−1),x(t))h(t) =f(h(t-1), x(t))

引入原因前文提到过理论上一个两层的全链接神经网络即可拟合任意的函数，那为何还要引入CNN呢？主要是全连接网络的权重矩阵的参数非常多，其想要拟合任意的函数神经元必须非常大，运算量也就特别多，现在主流观点为将深度神经网络做得比较深，有理论支持拟合同样复杂的函数，在深度上发展所需要的神经元比横向发展所需要的神经元更多，因为深层能够捕获到高层的语义特征。卷积神经网络主要依靠局部连接与权重共享达到其减少运算，保留强表征的效果。卷积操作卷积操作作为常用的特征提取器，以图片特征为例：不同的滤波器（卷积核）可

在前馈神经网络中，各神经元分别属于不同的层。整个网络中无反馈，信号从输入层向输出层单向传播，可用一个有向无环图表示。为了引入非线性变换（因为如果没有非线性变换，即使层数再多也只是做了一些仿射函数而已），在各个层中可能会引入一些激活函数（如sigmonid激活函数将值域映射到0～1，tanh激活函数将值域映射到-1～1。）这个设计初衷最开始是模仿人脑神经元的想法（其实关联并不是特别大），细胞体中的神经细胞膜上有各种受体和离子通道，胞膜的受体可与相应的...