欧美乱xxxxx,免费a级毛片无码久久版,欧美变态另类牲交,男人使劲躁女人视频免费观看 ,狂野欧美激情性xxxx

【文/觀察者網專欄作者 陳繼東】

用戶身份識別是一切金融業(yè)務開展的前提和基礎，互聯(lián)網金融由于其非面對面的特性，在身份識別上也比傳統(tǒng)金融業(yè)務更具挑戰(zhàn)。如何精準而快速地識別“你是你”成為互聯(lián)網金融必須跨過的第一道門檻。在安全可靠和用戶體驗方面，生物識別技術發(fā)揮了傳統(tǒng)核身手段所無法比擬的優(yōu)越性，正受到越來越多金融機構和金融科技公司的青睞。

在這一領域，中國已走在世界前列——今年 2 月 21 日，螞蟻金服“刷臉”支付被評為世界權威《麻省理工科技評論》（MIT Technology Review）2017 年全球十大突破性技術。但是作為新興事物，生物識別也引發(fā)了人們對于風險的擔憂，尤其是將其應用于金融領域，更是提出了挑戰(zhàn)。

2015年，馬云在德國向總理默克爾展示“刷臉支付” 。

如何確保金融級的精準度？如何在非面對面情況下確保生物特征來自于真人？如何保護用戶生物特征不被泄露？能否回答這三個問題，決定了生物識別技術對金融究竟是機遇還是挑戰(zhàn)。

如果是假臉，怎么破？

深度學習打通生物識別“任督二脈”

追溯生物識別的起源，它與計算機幾乎同時誕生于上世紀中葉。以人臉識別為例，早在上世紀60 年代就已有相關算法研究。而后隨著計算機技術和光學成像技術的快速發(fā)展，人臉識別技術愈發(fā)成熟——從人臉局部特征識別到全局特征提取，再到基于二維和三維模板做人臉建模的識別模型。

而近年來得益于深度學習的迅速發(fā)展，我們可以基于神經網絡讓機器模擬出人類大腦的學習過程，并通過卷積神經網絡模型和海量的圖片數(shù)據(jù)進行訓練。這對于生物識別的成效顯而易見，從以前的70%、80%的準確率提升至近兩年的99.6%甚至99.7%，具備商用條件。

深度學習到底有什么作用呢？試想下，我們用肉眼識別“你是誰”的過程中（更精確的說是“你長得像我認識的那誰誰”的甄別過程）存在哪些困難？一是人臉的角度、光線、表情、年齡、化妝、遮擋、照片質量等會影響我們的判斷；二是隨著我們“交際圈”的擴大（即數(shù)據(jù)庫樣本增大），兩個不同人長得像的概率會快速上升。

這兩點對于從前不會思考的計算機而言是致命的，而深度學習則讓計算機更聰明，能自己克服這些困難。

舉例來說，我們的算法起初對于眼鏡的識別，特別是黑框眼鏡有很大幾率識別不準確。但是當數(shù)據(jù)集累積到海量不同的鏡框后，機器就能學習出到底什么樣的鏡框有什么樣的影響，以及他們之間細微的差異，甚至我們后來還可以模擬出各種各樣的鏡框，如此可以確保對戴眼鏡的人臉具有極高的識別率。

眾所周知，通過深度學習，Alphago的棋技飛速提升，在短期內超越世界頂級棋手。而生物識別領域，也借助深度學習的幫助打通“任督二脈”，未來將不斷逼近100%的準確率。

交叉驗證方式進一步提升識別率，即使是雙胞胎也“判若兩人”

在金融等對誤識別率容忍極低的領域中，單一識別要素即使精準度再高仍然會有漏網之魚，因此需要結合多因子綜合驗證。

例如在同卵雙胞胎這一最極端的場合，使用人臉識別單一驗證要素將難以勝任，這也是在線下面對面的業(yè)務辦理中所難以克服的問題。而運用眼紋識別技術則完全可以克服這一點。

雙胞胎長得太像，怎么識別？

眼紋識別，又稱為眼靜脈識別，讓用戶無需額外硬件設備，只需普通智能手機攝像頭并在可見光環(huán)境下采集用戶眼白上的血管紋理特征，就可精確區(qū)分不同用戶，實驗證明當用戶的眼紋模板積累足夠時，深度學習技術讓眼紋識別準確率接近虹膜級別的準確率（大于99.99%）和亞秒級識別速度。

人臉識別之外，加上眼紋識別大大增加了識別準確率

除此之外，其他生理特征識別（如指紋）和行為特征識別（如擊鍵，即使用鍵盤時的按鍵力度和頻度）也是參與交叉驗證的生物特征。每增加一道特征因子，錯誤識別的概率就將大幅縮小，如此可確保生物識別在精確度上達到金融級的要求。