看过的动漫太多，以致于认角色时有点脸盲？又或许，只想给本人的二次元老婆剪个出场所辑，却不得不在各大搜索引擎搜索关于她的照片？试试爱奇艺推出的这个卡通人脸辨认基准数据集iCartoonFace，用它训练AI帮你找动漫素材，效率分分钟翻倍。翻开凤凰旧事，检查更多高清图片关于脸型相近、但角色不同的二次元人物，能精确辨认出来（脸盲福音）：假如人物视角呈现变化，也能精确辨认：不只如此，在人脸被大面积遮挡时，也能精确地辨认出来：至于暗影和光照也不在话下，哪怕站在树荫里，也能被AI“侦测”：效果完全不输现有的真实人脸辨认。那麼，这样的技术是怎样做出来的呢？结合真人数据，训练卡通人脸辨认团队提出了一种卡通和真人的多人物训练框架，次要包括分类损失函数、未知身份回绝损失函数和域迁移损失函数三局部，如下图所示。其中，分类损失函数次要用来对卡通脸和真人脸停止分类。而未知身份回绝损失函数，则是爲了在不同域之间停止无监视正则化投影。至于域迁移损失函数，目的是降低卡通和真人域之间的差别性，对他们的相关性停止约束。针对这个框架，研讨者们讨论了三个成绩：哪种算法很好？人脸辨认能否有助于卡通辨认？上下文信息对卡通辨认能否有用？从实验后果来看，ArcFace+FL的效果最佳，所以此次团队选用了这个算法。至于后两个成绩的答案，也是一定的。从下图的蓝线来看，加上真人人脸辨认的信息后，关于卡通检测的辨认异样有协助。至于上下文信息，团队也做了实验，下图是算法在卡通人脸根底上扩大不同比例下的功能辨认。实验证明，上下文信息越丰厚，人脸辨认的效果也会更好。现实上，植物角色训练出来的特征样本，相比于人脸来说，还是有点诡异。下图中辨别是原图和对应的特征样本，相比于动漫男生和女生，虹猫的特征显得有点……不可捉摸。不过这也阐明，一个规范、大型的动漫人脸数据集是有必要的。标注数据，只需求一步爲了增加人工标注的打工量，研讨者们设计了一种半自动数据集构建框架，用于构建iCartoonFace数据集。如下图，这个框架可以分爲三个阶段：首先，对数据停止分层搜集。先获取卡通图片信息，包括专辑和人物称号，再获取卡通人物图片，使得数据集构造十分明晰。其次，对数据停止过滤。应用卡通人脸检测、特征提取器和特征聚类等，对图片数据停止噪声过滤。其中，特征提取器的功能会发作变化：随着标注数据的增多，功能不时加强。最初，标注人员只需求做一个步骤：依据特征聚类的后果，答复两张图片能否是同一团体物。目前最大的卡通人物标注数据集现实上，目前已有少量针对真人的人脸辨认的技术和算法。但是，针对二次元人脸辨认的数据集照旧少之又少，大少数数据集存在着乐音比例大、数据量小的成绩。但这样的需求确实存在，不局限于对视频的构造化剖析，还能使用于图片搜索、广告辨认等场景。例如，给创作者提供智能剪辑、或许是对恶搞的挖苦漫画、卡通作风人物停止审核辨识。针对这个景象，爱奇艺开放了目前全球最大的手工标注卡通人物检测数据集与辨认数据集iCartoonFace，包括超越5000个卡通人物、40万张以上的高质量实景图片。下图是iCartoonFace与其他已有动漫数据集的比照，基于这个数据集设计框架，可以无效地进步卡通人物辨认功能。说不定，真能让广阔观众对动漫角色“不再脸盲”