Comments 7
А какую-нибудь нормализацию изображений делали? Как минимум же нужно яркости выровнять и кривые уровней, нет? Заодно отсеять, пометить как потенциально недостоверные, изображения с явными аномалиями по яркости/контрастности — слишком темные, засвеченные, неконтрастные. Тем более, что нейросети по ним будут чёрте-какие результаты выдавать.
Ещё можно попытаться сделать предобработку, разбив изображения на несколько фиксированных крупный областей и повторить анализ — позволяет найти случаи «палец в обеективе» и «под кадра чем-закрыто».
И как-то пыталиcь угадать оптимальный масштаб/чёткость изборажений перед анализом нейросетями? Вряд ли вам интересны случаи, когда лицо занимает менее 5% и более 70% кадра, а если всё правильно сделать, то можно и скорость анализа повысить и достоверность определения.
Ещё можно попытаться сделать предобработку, разбив изображения на несколько фиксированных крупный областей и повторить анализ — позволяет найти случаи «палец в обеективе» и «под кадра чем-закрыто».
И как-то пыталиcь угадать оптимальный масштаб/чёткость изборажений перед анализом нейросетями? Вряд ли вам интересны случаи, когда лицо занимает менее 5% и более 70% кадра, а если всё правильно сделать, то можно и скорость анализа повысить и достоверность определения.
Привет!
Во-первых, у нас на каждую задачу есть ограничение по времени из-за специфики аудита ~40 рабочих дней (начиная с даты, когда мы получаем данные, до формирования заключения).
Во-вторых, у нас нет этапа прода, т.е. мы делаем модель/алгоритм проверяем выявленные уязвимости, разбираем причины и двигаемся дальше (формирование замечания и прочее без нашего участия осуществляется аудиторами). В случае действительно эффективных наработок мы к ним возвращаемся, рефакторим и документируем их для более комфортного переиспользования.
Теперь по пунктам:
Во-первых, у нас на каждую задачу есть ограничение по времени из-за специфики аудита ~40 рабочих дней (начиная с даты, когда мы получаем данные, до формирования заключения).
Во-вторых, у нас нет этапа прода, т.е. мы делаем модель/алгоритм проверяем выявленные уязвимости, разбираем причины и двигаемся дальше (формирование замечания и прочее без нашего участия осуществляется аудиторами). В случае действительно эффективных наработок мы к ним возвращаемся, рефакторим и документируем их для более комфортного переиспользования.
Теперь по пунктам:
- По нормализации: в рамках описанных тестов не делали нормализации. Изображения с отклонениями по яркости и контрасту частично выявлялись при поисках исключений по гистограммам. Используемая в данной статье сеть FaceNet просто вернет пустой список лиц, если изображение не подойдет для анализа, т.е. покажет, что на фото нет лиц, и тогда мы будем эти фото разбирать вручную.
- Про предобработку с крупными областями – попробуем применить, спасибо за идею!
- Про угадывание оптимального масштаба – не думали в эту сторону, т.к. автоматический перебор нейронной сетью нас вполне устроил по скорости обработки (1000 изображений за 6 мин). Фотографии, где лицо занимает аномально много пространства, нас так же интересуют, т.к. они могут стать аномалией (может послужить основанием для рекомендаций по улучшению бизнес-процесса).
Прекрасно, когда за дело берутся дилетанты, ни цель поставить, ни матчасть подучить. В итоге получаем непонятно что, непонятно зачем.
Только переделывая этот колхоз, у кого-то будет сильно пригорать.
А для чего вообще нужна эта система? Какая цель преследуется?
Привет!
Глобальная цель для нас — это выявление любых уязвимостей и рисков в процессах банка. Например, если мы находим две одинаковые фотографии клиентов в двух анкетах, то это может означать, что кто-то из сотрудников повторно использовал ранее сделанную фотографию, что нарушает установленные в банке процессы (фотография каждый раз должна делаться заново). Далее необходимо провести анализ выявленной аномалии и узнать причины. Причинами в приведённом примере могу быть отсутствующие автоматические проверки в ИТ системе, в которую загружаются фотографии. Таким образом мы от аналитически выявленной аномалии перешли к реальной уязвимости в ИТ системе.
Глобальная цель для нас — это выявление любых уязвимостей и рисков в процессах банка. Например, если мы находим две одинаковые фотографии клиентов в двух анкетах, то это может означать, что кто-то из сотрудников повторно использовал ранее сделанную фотографию, что нарушает установленные в банке процессы (фотография каждый раз должна делаться заново). Далее необходимо провести анализ выявленной аномалии и узнать причины. Причинами в приведённом примере могу быть отсутствующие автоматические проверки в ИТ системе, в которую загружаются фотографии. Таким образом мы от аналитически выявленной аномалии перешли к реальной уязвимости в ИТ системе.
Привет, коллега ))
Я сам пришёл в аудит из IT, и поэтому могу, основываясь на своём опыте, сказать, что «настоящим» программистам, зачастую, всю эту аудиторскую движуху довольно сложно уловить, потому что они привыкли мыслить законченными продуктами. Как можно видеть по комментариям выше, у них не совсем выстраивается концепция, по которой можно накидать каких-то прикольных идей; как-нибудь, методом направленного взрыва, быстренько потрясти эти груши, собрать всё, что можно, потом их забросить и бежать дальше на поиски каких-нибудь ещё более прикольных приколов, как-то так )))
Я сам пришёл в аудит из IT, и поэтому могу, основываясь на своём опыте, сказать, что «настоящим» программистам, зачастую, всю эту аудиторскую движуху довольно сложно уловить, потому что они привыкли мыслить законченными продуктами. Как можно видеть по комментариям выше, у них не совсем выстраивается концепция, по которой можно накидать каких-то прикольных идей; как-нибудь, методом направленного взрыва, быстренько потрясти эти груши, собрать всё, что можно, потом их забросить и бежать дальше на поиски каких-нибудь ещё более прикольных приколов, как-то так )))
Sign up to leave a comment.
Код аудита: поиск дублей, face detection и аномальные изображения