大家好，关于猫的脸可不可以面容识别很多朋友都还不太明白，不过没关系，因为今天小编就来为大家分享关于养猫脸识别大赛的知识点，相信应该可以解决大家的一些困惑和问题，如果碰巧可以解决您的问题，还望关注下本站哦，希望对各位有所帮助！

本文目录

初看一笑、细想好玩的地方还是在于猪脸识别这个风格清奇的任务。我也点进去观赏了一会儿数据集。不得不说，这是一个对人类来说很难的任务。捂脸。惊异之处，我就不再多说，大家都懂的。而我说“细想好玩”的地方就在这里——这对人类来说是一个很难的视觉识别任务。而通常的机器学习竞赛里，那些任务对人类来说基本上是很容易的。通常的视觉竞赛（比如当年的ImageNet），人类的表现被认为是一个标杆。人类通常的视角任务上犯的错被认为接近于理论上的最低值（Bayesian Error）。我们通常认为，人类很擅长视角任务。这不难理解。人的大脑在漫长的自然选择中必须进化得非常善于生存。比如，狩猎时，我们必须获悉猎物的位置、大小、速度等等。比如，社交时，我们必须能分辨谁长成什么样（人脸识别）。视觉信息在很多情况下都是最主要的信息来源。所以，人类大脑必须擅长很视觉任务。然而，事情并不是这么简单。尽管（因为社交很重要）我们非常擅长人脸识别，但其实我们并不太擅长识别其他动物的个体。猪脸、羊脸、牛脸、狼脸的识别，我们都不擅长。而我们也知道，猪至少是很擅长识别猪的。这种身份识别的能力很可能是后天训练出来的。如果一个婴儿是在狼窝里长大的，他/她可能也会因为从小的“训练数据”变得比较善于识别狼脸。狼脸的特征识别被刻画在了“狼孩”发育逐渐完善的神经系统里。在这个狼脸识别这类任务的习得过程中，人类的识别能力多少取决于硬编码（人脑先天的生物学基础、基因决定的部分）、多少取决于软编码（大脑发育过程中的数据训练、狼孩的经历）？这也是一个有趣的问题。我们已经知道，尽管人脑已经进化地非常擅长（人类常见的）视觉任务，但若从小缺少训练数据，人类未必擅长那些比较少见的视觉任务。用Human Error去近似估计Bayesian Error也不再可靠，人类的表现也不再是标杆。在以猪脸识别为代表的这种类型视觉任务中（甚至包括能不能用CNN识别出好吃的猪肉），机器学习能做到什么程度、能做到比人类好多少？用人脸识别的深度网络直接在猪的图集上训练会不会就很好呀？如果连网络结构也不必改动就能训练得很好，那么可能说明目前的机器学习可以轻易在很多“人类视觉的死角”上超过人类表现了。神经系统发育已经成熟的人脑可能不那么擅长学习处理“死角问题”。而对深度网络则不同，人脸、猪脸都一样，都是喂数据、提特征的事。

猫的脸可不可以面容识别和养猫脸识别大赛的问题分享结束啦，以上的文章解决了您的问题吗？欢迎您下次再来哦！