“刷臉”，作為一種個(gè)人身份鑒別技術(shù)，在深度學(xué)習(xí)等技術(shù)的護(hù)持下精度得以大幅提升，在LFW上，各大玩家在無(wú)限制條件下人臉驗(yàn)證測(cè)試（unrestricted labeled outside data）中提交的成績(jī)普遍能夠達(dá)到99.5%以上。

人臉識(shí)別技術(shù)日益成熟的背后，作為自帶AI落地基因的安防行業(yè)（數(shù)據(jù)大、高試錯(cuò)容忍度），這幾年，天網(wǎng)工程廣泛鋪開、智能系統(tǒng)全局應(yīng)用，城市秩序得到了更為高效的管理和防護(hù)，民生需求得到了更為及時(shí)的處理和反饋，違反亂紀(jì)的行為能被精準(zhǔn)識(shí)別和處罰。

與此同時(shí)，人臉識(shí)別系統(tǒng)的應(yīng)用也頗受爭(zhēng)議。

在大洋彼岸的美國(guó)，亞馬遜因向美國(guó)執(zhí)法機(jī)構(gòu)提供人臉識(shí)別技術(shù)而遭到某聯(lián)盟的譴責(zé)。該聯(lián)盟表示，“亞馬遜以十分低廉的價(jià)格向美國(guó)警方提供人臉識(shí)別服務(wù)，可能會(huì)導(dǎo)致美國(guó)公民的私人數(shù)據(jù)被濫用及隱私遭到侵犯”。

在他們看來(lái)，將人臉識(shí)別技術(shù)應(yīng)用到前端視頻監(jiān)控?cái)z像機(jī)上，可能會(huì)打破隱私及實(shí)用性之間的平衡。假設(shè)美國(guó)警方有若干臺(tái)這樣的安防攝像機(jī)，同時(shí)擁有可疑人員的“黑名單”照片庫(kù)，那么其他任何人如果與這些可疑人員有一些相像，一旦進(jìn)入警察的安防攝像機(jī)的鏡頭之內(nèi)，都有可能受到警務(wù)人員的盤問(wèn)。而大多數(shù)美國(guó)人不希望生活在那樣的世界里。

從這來(lái)看，技術(shù)應(yīng)用的雙刃劍在人臉識(shí)別的落地上就得以體現(xiàn)，且不說(shuō)人臉識(shí)別技術(shù)發(fā)展對(duì)于人類來(lái)說(shuō)優(yōu)多（安全）還是劣多（隱私），硬幣拋下落地的可能性還是得到了平衡。

近日，多倫多大學(xué)教授Parham Aarabi和他的研究生Avishek Bose開發(fā)了一種算法，通過(guò)對(duì)圖像進(jìn)行“光轉(zhuǎn)換”，可以動(dòng)態(tài)地破壞人臉識(shí)別系統(tǒng)。

與上述聯(lián)盟控訴亞馬遜的理由一樣，這位大學(xué)教授也考慮到了隱私問(wèn)題，“隨著人臉識(shí)別技術(shù)越來(lái)越先進(jìn)，個(gè)人隱私成為了一個(gè)真正急需解決的問(wèn)題，這就是反人臉識(shí)別系統(tǒng)被研發(fā)的原因，也是該系統(tǒng)的用武之地。”

根據(jù)Aarabi的說(shuō)法，他們主要采用了對(duì)抗訓(xùn)練（adversarial training）技術(shù)，使得兩個(gè)神經(jīng)網(wǎng)絡(luò)相互對(duì)抗，一個(gè)神經(jīng)網(wǎng)絡(luò)從數(shù)據(jù)中獲取信息（人臉數(shù)據(jù)），另一個(gè)神經(jīng)網(wǎng)絡(luò)試圖去破壞第一個(gè)神經(jīng)網(wǎng)絡(luò)執(zhí)行的任務(wù)。

據(jù)悉，他們的算法是在包含不同種族，不同光照條件和背景環(huán)境下的超過(guò)600張人臉照片的數(shù)據(jù)集上進(jìn)行訓(xùn)練的（業(yè)界標(biāo)準(zhǔn)庫(kù)），兩個(gè)神經(jīng)網(wǎng)絡(luò)相互對(duì)抗會(huì)發(fā)形成一個(gè)實(shí)時(shí)的“過(guò)濾器”，它可以應(yīng)用到任何圖片上。因?yàn)樗哪繕?biāo)——圖像中的單個(gè)像素是特定的，改變一些特定像素，肉眼是幾乎無(wú)法察覺(jué)的。比如說(shuō)檢測(cè)網(wǎng)絡(luò)正在尋找眼角，干擾算法就會(huì)調(diào)整眼角，使得眼角的像素不那么顯眼。算法在照片中造成了非常微小的干擾，但對(duì)于檢測(cè)器來(lái)說(shuō)，這些干擾足以欺騙系統(tǒng)。

“此前多年，這些算法必須由人類去定義，現(xiàn)在的神經(jīng)網(wǎng)絡(luò)可以自主學(xué)習(xí)。目前我們的算法將人臉識(shí)別系統(tǒng)中被檢測(cè)到的人臉的比例降低到了0.5%。我們希望在APP或網(wǎng)站上提供這種神經(jīng)網(wǎng)絡(luò)系統(tǒng)，這是一個(gè)非常有意思的領(lǐng)域，有著非常大的潛力市場(chǎng)，”Aarabi教授說(shuō)道，“另外研究報(bào)告也將在2018年IEEE國(guó)際多媒體信號(hào)處理研討會(huì)上發(fā)表”。

其實(shí)，破壞人臉識(shí)別產(chǎn)品識(shí)別率的產(chǎn)品并不少見(jiàn)。早在2016年，卡內(nèi)基梅隆大學(xué)的研究人員就設(shè)計(jì)了一種眼鏡框，可以誤導(dǎo)面部識(shí)別系統(tǒng)，使其產(chǎn)生錯(cuò)誤的識(shí)別。

該類軟件在學(xué)習(xí)人臉的模樣時(shí)，它非常依靠于特定的細(xì)節(jié)，如鼻子和眉毛的形狀。卡內(nèi)基梅隆大學(xué)打造的眼鏡并不只是覆蓋那些臉部細(xì)節(jié)，還會(huì)印上被計(jì)算機(jī)認(rèn)為是人臉細(xì)節(jié)的圖案。