该研究表明了深度卷积神经网络（DCNN）是如何以不同于研究人员预期的方式识别人脸的。在机器学习中，计算机通过分析大量数据以学习识别模式，其目标是能够以最少的人工投入做出决策。
脸部识别技术在过去五年中发展迅速，美国德克萨斯大学达拉斯分校的研究人员试图确定计算机在完成任务时的如何能表现得与人们一样好，进而阐明人脑对信息进行分类的方式。
达拉斯分校的科学家分析了最新的面部识别算法梯队的性能，揭示了这些基于机器学习的程序的工作方式。他们的研究于上个月发表在《自然机器智能》（NatureMachineIntelligence）上。
该研究表明了深度卷积神经网络（DCNN）是如何以不同于研究人员预期的方式识别人脸的。在机器学习中，计算机通过分析大量数据以学习识别模式，其目标是能够以最少的人工投入做出决策。
研究作者之一AliceO'Toole说：「在过去的30年中，人们一直认为基于计算机的视觉系统会摆脱所有特定于图像的信息—角度，照明，表情等。相反，算法在保留了这些信息的基础上更注重个人身份信息的储存，这给了我们一种全新的思考方式。」
