作者 | 于曦
AI 成为新基建风口模式下的一个重要选题，让人们对于 AI 的热情空前高涨。从一开始的烧钱阶段到今天的确定性发展，AI 一直渗透着人们的生活，从自动驾驶到人脸识别都是如此。其中，人脸识别技术应用较为广泛。
早期的人脸识别多采用传统机器学习算法，研究关注的焦点更多集中在如何提取更有鉴别力的特征上，以及如何更有效的对齐人脸。
随着研究的深入，传统机器学习算法人脸识别在二维图像上的性能提升逐渐到达瓶颈，人们开始转而研究视频中的人脸识别问题，或者结合三维模型的方法去进一步提升人脸识别的性能，而少数学者开始研究三维人脸的识别问题。
其后，在最出名的 LFW 公开库上，深度学习算法一举突破了传统机器学习算法在二维图像上人脸识别性能的瓶颈，首次将识别率提升到了 97% 以上。
最后进入了人脸的深度学习时代，利用 CNN 网络建立的高维模型，直接从输入的人脸图像上提取有效的鉴别特征，直接计算余弦距离来进行人脸识别。
但人识别研究发展仍然可以分为三个阶段。
- 第一个阶段为深度学习在人脸识别研究中应用的早期阶段，从最开始的 VGG 网络到 Inception 网络再到 Resnet 网络，网络模型总体上呈现出更深，更宽的趋势。
- 第二阶段发展就是部分尖端厂商，开始发展实际业务为起点，通过不断扩大其实际数据集合，逐渐的提升算法和性能。
- 到了第三阶段，除了进一步增加数据量以提升算法性能以外，与第一阶段相反，大家开始在不降低识别性能的基础上，研究网络的轻量化。轻量化的主要目的有两个，一个是提升算法的速度，甚至能够部署到移动端；另外一个就是便于硬件实现，从而将人脸识别算法直接做成一个硬件模块。
如今，AI 发展尖端模式下的厂商们也逐步进行开源，为人脸识别在更多领域的应用不断突破瓶颈。
