对校园枪击说“不”,人脸识别为你保驾护航?

时间:2021-02-05 15:20:46

今日导读

近几年,美国各地不断出现校园枪击*,引起了*高层和社会各界对“枪支管理法”的深入探讨。今日,美国一位护子心切的家长就开发出了一款人脸识别软件,希望绕开繁琐的宪法与政治问题,用科技的手段为自己的孩子创造出一个安全的学习环境。这究竟是一种别出心裁的科技创新,还是另一个安全隐患呢?今天的《麻省理工科技评论》将带给你意想不到的全新认知。

带着问题听讲解

Q1: pilot program 是什么意思?

Q2: 此项应用中,人脸识别技术带来的争议是什么?

Q3: 此技术为何选择了西雅图的一所学校作为首次试运行地点?

新闻正文

Free face recognition software for K-12 schools

中小学校园迎来免费面部识别软件

注:recognition:识别;承认。

RealNetworks launched a website today that allows schools in North America to download and implement its facial recognition software for free.

今日,RealNetworks 公司的网站上线,这个网站让北美的学校可以免费下载和使用该公司的面部识别软件。

The tech is currently being tested at a school in Seattle that the kids of the founder, Rob Glaser, attend. A pilot program is also being planned for the state of Wyominglater this year.

此项技术现在正在西雅图的一所学校里接受检测,该公司的创始人罗伯特·格拉泽的孩子们就在这所学校上学。一项针对今年晚些时候怀俄明州的试点项目也正在计划中。

The program helps administrators monitor who is coming onto/on campus. For the trial in Seattle, parents of children at the school registered their faces with the software. They can unlock a gate at the school by smiling at a surveillance camera.

该程序可以帮助管理员监测进入校园的人。在本次西雅图的试运行中,学生家长们都将他们自己的面孔注册到了软件中。他们可以通过对着监控摄像头微笑的方式打开校门。

Glaser sees his software as a way to improve safety in schools without getting into the touchy subject of gun control legislation. But it’s likely to find itself in the middle of another hot-button debate, over whether face recognition tech needs to be regulated and perhaps reined in. “I personally agree you can overdo school surveillance,” Glaser told Wired. “But I also agree that, in a country where there have been so many tragic incidents in schools, technology that makes it easier to keep schools safer is fundamentally a good thing.”

格拉泽将他的软件视为一种解决方法,在加强学校安全的同时,也不会牵扯到枪支管理法这样的敏感话题。但此技术很可能会陷入到另一个重要而敏感的争论中,即人脸识别技术是否应该被管理与控制。“学校安全监管可能过火这样的看法,我个人是赞同的”,格拉泽对《连线》杂志说道。“但我同时也赞同的想法是,在一个发生了众多校园惨剧的国家里,能够让学校变得更加安全的技术根本上是一件好事”。

—————  文章来源 / MIT Technology Review 

重点词汇

implement   /ˈɪmplɪment/   v. 实施,贯彻,执行

attend   /əˈtend/   v. 经常去,定期去

pilot   /ˈpaɪlət/   adj. 试验性的,试点的   e.g.   a pilot survey, a pilot episode (插曲;一集;片段)

Wyoming   /waɪˈoʊˌmɪŋ/   n. 怀俄明州

administrator   /ədˈmɪnɪstreɪtər/   n. 行政主管,机构管理人

register   /ˈredʒɪstər/    v. 登记,录入

surveillance   /sɜːrˈveɪləns/   n. 监视,监察

touchy   /ˈtʌtʃi/   adj. 敏感的

legislation   /ˌledʒɪsˈleɪʃn/   n. 法律,立法

hot-button   /ˈhɑːt bʌtn/    adj. 敏感且热议的   e.g.   hot button (n.)

face recognition   面部识别,人脸识别

rein in   约束,控制   e.g.    Congress must rein in spending.

 

【7.29 Q1】第一段的第二第三句,句子的主语究竟是什么?这两句话是什么结构?

【毛西】这个问题与其说是句子结构的问题,不如说是段落结构的问题。第一段的前三句话是这样的一个结构:一上来先出现一个总起的句子 "Pop has had some incredible disses." 如果这句总起句是冒号结尾会更容易理解,因为后面的连续两句话其实都是名词性质的短语,是跟随着总起的句子而出现的具体的"disses"。这样的总起+列举案例的结构,在推送课程的中文翻译中也有所体现。这一篇作为娱乐新闻,在语法和标点的使用上也比较随性了,所以需要同学们联系上下文一起去理解

【7.29 Q2】第一段的最后一句,”But the greatest – and most enduring – shade of all time has to be when Mariah Carey claimed she didn’t know Jennifer Lopez.” 这其中 “shade of all time has to be” 是什么用法?when引导的从句在句子中是什么成分?

【毛西】the greatest sth. of all time是一种常见的短语搭配,表示“有史以来最伟大的某个事物”比如:Michael Jackson was one of the greatest singers of all time. 迈克尔·杰克逊是有史以来最伟大的歌手之一。进一步拓展的话,还可以将the greatest替换为任意一个*形容词,这个搭配就会随之变成“有史以来最为怎样的某物”,比如说Bolt is the fastest human of all time. 博尔特是有史以来速度最快的人。have to be很容易理解,意为“必须是”。回到文中的话,这句话就是在说有史以来最伟大的也是最持久的怼人语录必须是Mariah Carey的那句名言
接下来,为了理解when引导的从句在句子中的成分,先将主语简化为the shade,这句话就被简化为The shade has to be when Mariah Carey … Jennifer Lopez. 此处when引导的从句并不是时间状语从句,而是一个宾语从句,指Mariah Carey说出名言的那一瞬间。

拓展内容

深扒人脸识别技术的发展历程

早在 20 世纪 50 年代,认知科学家就已着手对人脸识别展开研究。20 世纪 60 年代,人脸识别工程化应用研究正式开启。当时的方法主要利用了人脸的几何结构,通过分析人脸器官特征点及其之间的拓扑关系进行辨识。这种方法固然简单直观,但是一旦人脸姿态和表情发生变化,则精度严重下降。

21 世纪的前十年,随着机器学习理论的发展,学者们相继探索出了基于遗传算法、支持向量机、流形学习以及核方法等手段进行人脸识别。 2009 年至 2012 年,稀疏表达(Sparse Representation)因为其优美的理论和对遮挡因素的鲁棒性(robustness)成为当时的研究热点。

也是在这一阶段,研究者的关注点开始从受限场景下的人脸识别转移到非受限环境下的人脸识别。LFW 人脸识别公开竞赛在此背景下开始流行,当时最好的识别系统尽管在受限的 FRGC 测试集上能取得 99%以上的识别精度,但是在 LFW 上的最高精度仅仅在 80%左右,距离实用看起来依然距离颇远。

2014 年前后,随着大数据和深度学习的发展,神经网络重新受到重视,并在图像分类、手写体识别、语音识别等应用中获得了远超经典方法的结果。香港中文大学的教授们提出将卷积神经网络应用到人脸识别上,并采用 20 万训练数据,在 LFW 上第一次得到超过人类水平的识别精度。这是人脸识别发展历史上的一座里程碑。自此之后,研究者们不断改进网络结构,同时扩大训练样本规模,将 LFW 上的识别精度推到 99.5%以上。