📸🔬 FaceCluster: ИИ разбирает ваш семейный архив и не сливает данные в облако
Многие из вас хранят в своих архивах тысячи фотографий, разбросанных по папкам и телефонам. Облачные сервисы (например, Google Photo) справляются, но ценой загрузки всего личного в облако. А что, если можно организовать ваши снимки приватно?
Команда нашей лаборатории представила FaceCluster: систему для автоматической организации фотоколлекций на основе распознавания лиц, которая работает полностью локально.
В основе заложена улучшенная модель KP-RPE с новым методом Embedding Statistical Regularization. Вместо того чтобы просто оптимизировать расстояния между эмбеддингами (как делают классические метрические подходы), метод напрямую структурирует пространство признаков через три компонента:
✔️Compactness Loss: эмбеддинги одного человека тянутся к единому центру
✔️Orthogonality Loss: признаки разных людей максимально разделяются
✔️L2 Regularization: контроль масштаба векторов
📊 Результаты на бенчмарках
Обучение на датасете WebFace4M дало впечатляющие результаты:
✔️ TinyFace (распознавание низкого разрешения): 74.14% Rank-1
✔️ AgeDB (возрастные изменения): 97.78% accuracy
✔️ IJB-C (сложные условия съёмки): 97.25% TAR@0.01%
✔️ CFP-FP (профильные снимки): 98.94% accuracy
Особенность данной системы в распознавании одного и того же человека на фото с разницей в десятки лет.
Как это выглядит в деле?
Пользователь загружает фото через drag-and-drop интерфейс → система в реальном времени находит лица, кластеризует их с помощью DBSCAN и раскладывает коллекцию по людям. Всё разворачивается одной командой через Docker, при этом ваши данные никуда не уходят.
😉 Демонстрация работы системы представлена на видео: youtu.be/Dd068BcjAkk
🔬 Наш сайт
😌 Наш ТГ
Многие из вас хранят в своих архивах тысячи фотографий, разбросанных по папкам и телефонам. Облачные сервисы (например, Google Photo) справляются, но ценой загрузки всего личного в облако. А что, если можно организовать ваши снимки приватно?
Команда нашей лаборатории представила FaceCluster: систему для автоматической организации фотоколлекций на основе распознавания лиц, которая работает полностью локально.
В основе заложена улучшенная модель KP-RPE с новым методом Embedding Statistical Regularization. Вместо того чтобы просто оптимизировать расстояния между эмбеддингами (как делают классические метрические подходы), метод напрямую структурирует пространство признаков через три компонента:
✔️Compactness Loss: эмбеддинги одного человека тянутся к единому центру
✔️Orthogonality Loss: признаки разных людей максимально разделяются
✔️L2 Regularization: контроль масштаба векторов
📊 Результаты на бенчмарках
Обучение на датасете WebFace4M дало впечатляющие результаты:
✔️ TinyFace (распознавание низкого разрешения): 74.14% Rank-1
✔️ AgeDB (возрастные изменения): 97.78% accuracy
✔️ IJB-C (сложные условия съёмки): 97.25% TAR@0.01%
✔️ CFP-FP (профильные снимки): 98.94% accuracy
Особенность данной системы в распознавании одного и того же человека на фото с разницей в десятки лет.
Как это выглядит в деле?
Пользователь загружает фото через drag-and-drop интерфейс → система в реальном времени находит лица, кластеризует их с помощью DBSCAN и раскладывает коллекцию по людям. Всё разворачивается одной командой через Docker, при этом ваши данные никуда не уходят.
😉 Демонстрация работы системы представлена на видео: youtu.be/Dd068BcjAkk
🔬 Наш сайт
😌 Наш ТГ