NIST признал компанию VisionLabs лидером в нескольких категориях независимого тестирования алгоритмов распознавания лиц

Национальный институт стандартов и технологий США (NIST) признал компанию VisionLabs лидером в нескольких категориях независимого тестирования алгоритмов распознавания лиц, сообщает официальный сайт фонда «Сколково».

Рейтинг NIST – наиболее авторитетный источник эффективности мировых систем распознавания. Работа решений проверяется на многомиллионной закрытой базе фотографий, что позволяет получить объективные результаты.

Тестирование проводится на нескольких типах изображений – от эталонных фотографий на документы до снимков с веб-камер или телефонов. Основная задача – определить наиболее универсальные алгоритмы распознавания лиц, которые одинаково успешно работают в самых разных сценариях применения.

В 2020 году в тестировании участвовали разработки более 140 ведущих компаний со всего мира. По результатам исследований, скорость распознавания алгоритмов VisionLabs в 1,5 раза выше, чем у всех вендоров, представленных в топе рейтинга. Помимо этого, за счет высокой оптимизации архитектуры нейронных сетей и эффективного хранения биометрических шаблонов решения компании требуют в 4 раза меньше памяти на стороне клиента. Это особенно важно при работе с большими базами данных банков, транспортных и промышленных инфраструктурных предприятий.

Представленное решение VisionLabs стало лучшим сразу в нескольких категориях:

Visa – студийное фото на документы;

Border – снимки, сделанные при прохождении паспортного контроля в аэропорту;

Visaborder – сравнение изображений двух предыдущих категорий;

Mugshot – «полицейское фото», портрет для какой-либо картотеки.

Проведенные тесты также доказали, что алгоритмы VisionLabs эффективно работают на фотографиях любых расовых групп и могут успешно применяться по всему миру. Например, для датасета Visa, содержащего изображения людей всех возрастов из более чем ста стран, точность распознавания составила 99,75% с вероятностью ложного положительного срабатывания один на миллион.