{"id":176761,"date":"2024-01-20T01:23:36","date_gmt":"2024-01-20T00:23:36","guid":{"rendered":"https:\/\/liora.io\/en\/?p=176761"},"modified":"2026-07-22T21:17:38","modified_gmt":"2026-07-22T20:17:38","slug":"facial-recognition-how-it-works","status":"publish","type":"post","link":"https:\/\/liora.io\/en\/facial-recognition-how-it-works","title":{"rendered":"Facial recognition: How it works"},"content":{"rendered":"<style>\/*! elementor - v3.15.0 - 02-08-2023 *\/\n.elementor-heading-title{padding:0;margin:0;line-height:1}.elementor-widget-heading .elementor-heading-title[class*=elementor-size-]>a{color:inherit;font-size:inherit;line-height:inherit}.elementor-widget-heading .elementor-heading-title.elementor-size-small{font-size:15px}.elementor-widget-heading .elementor-heading-title.elementor-size-medium{font-size:19px}.elementor-widget-heading .elementor-heading-title.elementor-size-large{font-size:29px}.elementor-widget-heading .elementor-heading-title.elementor-size-xl{font-size:39px}.elementor-widget-heading .elementor-heading-title.elementor-size-xxl{font-size:59px}<\/style>\n<h2>Ces derni\u00e8res ann\u00e9es, la technologie de reconnaissance faciale a prolif\u00e9r\u00e9, trouvant une utilisation accrue dans diff\u00e9rents domaines tels que les m\u00e9dias, les r\u00e9seaux sociaux, la surveillance ou encore la s\u00e9curit\u00e9. L&#8217;apprentissage profond, ou <a href=\"https:\/\/liora.io\/deep-learning-definition\">Deep Learning<\/a>, permet au r\u00e9seau d\u2019apprendre automatiquement \u00e0 partir des donn\u00e9es.<\/h2>\n<p>L&#8217;apprentissage profond s&#8217;est en effet av\u00e9r\u00e9 tr\u00e8s efficace pour reconna\u00eetre les visages, avec <strong>la capacit\u00e9 de g\u00e9rer d&#8217;\u00e9normes volumes de donn\u00e9es et d&#8217;atteindre des taux de pr\u00e9cision \u00e9lev\u00e9s<\/strong>. La capacit\u00e9 du Deep Learning \u00e0 extraire automatiquement des informations \u00e0 partir d&#8217;images, telles que les traits du visage, les couleurs ou encore les contrastes de fa\u00e7on <b>automatis\u00e9e<\/b> est l&#8217;un de ses principaux avantages pour la reconnaissance faciale.En d\u2019autres termes, le r\u00e9seau de neurone est capable d&#8217;<b>apprendre les propri\u00e9t\u00e9s cl\u00e9s de l&#8217;identification<\/b>, conduisant \u00e0 un syst\u00e8me de reconnaissance fiable et pr\u00e9cis.<\/p>\n<h3>Le traitement des donn\u00e9es, l&#8217;\u00e9tape la plus importante du processus<\/h3>\n<p>Le<b> pr\u00e9traitement <\/b>est une \u00e9tape cruciale avant que les donn\u00e9es d&#8217;image ne soient introduites dans le mod\u00e8le de reconnaissance faciale. Selon les propri\u00e9t\u00e9s de l&#8217;ensemble de donn\u00e9es \u00e0 disposition et les exigences particuli\u00e8res de l&#8217;application, les \u00e9tapes de pr\u00e9traitement requises peuvent varier. On retrouve cependant parmi elles des op\u00e9rations courantes.<\/p>\n<p>Par exemple, la<b> mise \u00e0 l&#8217;\u00e9chelle <\/b>de l&#8217;image permet de fixer la taille des images pour l\u2019ensemble des \u00e9chantillons. En d\u00e9finissant une r\u00e9solution de 256 x 256 pixels, le mod\u00e8le est assur\u00e9 de traiter des images de la m\u00eame taille, ce qui peut augmenter les performances du mod\u00e8le.<\/p>\n<p>On peut \u00e9galement mentionner le processus de<b> normalisation <\/b>qui aidera tr\u00e8s probablement votre mod\u00e8le dans son fonctionnement. Pour ce faire, les donn\u00e9es d&#8217;une image peuvent \u00eatre transform\u00e9es dans un espace colorim\u00e9trique particulier, ou les valeurs de pixel peuvent \u00eatre modifi\u00e9es pour avoir une <strong>moyenne nulle<\/strong> et une <strong>variance unitaire<\/strong> (distribution gaussienne).<\/p>\n<p>L&#8217;<b>alignement<\/b> du visage sur les photos joue \u00e9galement un r\u00f4le majeur car les performances du mod\u00e8le peuvent \u00eatre affect\u00e9es par la position du visage. Les rep\u00e8res faciaux peuvent \u00eatre utilis\u00e9s pour l&#8217;alignement, et le visage peut \u00eatre recadr\u00e9 \u00e0 une position sp\u00e9cifi\u00e9e \u00e0 l&#8217;aide d&#8217;un cadre de d\u00e9limitation, commun\u00e9ment appel\u00e9 <i>bounding box<\/i>.<\/p>\n<style>\/*! elementor - v3.15.0 - 02-08-2023 *\/\n.elementor-widget-image{text-align:center}.elementor-widget-image a{display:inline-block}.elementor-widget-image a img[src$=\".svg\"]{width:48px}.elementor-widget-image img{vertical-align:middle;display:inline-block}<\/style>\n<p>\t\t\t\t\t\t\t\t\t\t\t\t<img decoding=\"async\" src=\"https:\/\/liora.io\/app\/uploads\/2023\/03\/image6.png\" title=\"\" alt=\"\" loading=\"lazy\" \/>\t\t\t\t\t\t\t\t\t\t\t\t\t\t\t<\/p>\n<p>L<b>\u2019augmentation des donn\u00e9es<\/b> : en utilisant diff\u00e9rentes modifications d&#8217;images, telles que le retournement, la rotation ou le recadrage, l&#8217;augmentation des donn\u00e9es est une technique utilis\u00e9e pour <b>am\u00e9liorer fictivement <\/b>la quantit\u00e9 de l&#8217;ensemble de donn\u00e9es. Cela pourrait contribuer \u00e0 am\u00e9liorer la r\u00e9silience et la g\u00e9n\u00e9ralisabilit\u00e9 du mod\u00e8le. Ci-dessous, l&#8217;\u0153il humain est totalement capable d\u2019identifier qu\u2019il s\u2019agit de la m\u00eame image ayant subi certaines transformations. Cependant, aux yeux de la machine, les pixels ayant chang\u00e9 de position, l\u2019image sera trait\u00e9e comme un nouvel \u00e9chantillon.<\/p>\n<p>\t\t\t\t\t\t\t\t\t\t\t\t\t\t\t<img decoding=\"async\" src=\"https:\/\/liora.io\/app\/uploads\/2023\/03\/image4.png\" title=\"\" alt=\"\" loading=\"lazy\" \/>\t\t\t\t\t\t\t\t\t\t\t\t\t\t\t<\/p>\n<p>Nous pouvons \u00e9galement mentionner la<b> suppression du fond <\/b>: les performances du mod\u00e8le peuvent \u00eatre am\u00e9lior\u00e9es en supprimant le <i>bruit de fond <\/i>de l&#8217;image. Cela peut \u00eatre accompli en s\u00e9parant l&#8217;arri\u00e8re-plan du premier plan \u00e0 l&#8217;aide de techniques de segmentation d&#8217;image telles que le <i>seuillage<\/i> ou la d\u00e9tection de contour.<\/p>\n<p>\t\t\t\t\t\t\t\t\t\t\t\t\t\t\t<img decoding=\"async\" src=\"https:\/\/liora.io\/app\/uploads\/2023\/03\/image01.png\" title=\"\" alt=\"\" loading=\"lazy\" \/>\t\t\t\t\t\t\t\t\t\t\t\t\t\t\t<\/p>\n<p>Il est important de garder \u00e0 l&#8217;esprit que les proc\u00e9dures de pr\u00e9traitement utilis\u00e9es d\u00e9pendent des caract\u00e9ristiques de l&#8217;ensemble de donn\u00e9es et des besoins particuliers de l&#8217;application.\u00a0<\/p>\n<p>Vous l\u2019aurez donc compris, le pr\u00e9traitement est une \u00e9tape cruciale dans les travaux de reconnaissance faciale car il pr\u00e9pare les donn\u00e9es d&#8217;images pour le mod\u00e8le et am\u00e9liore l&#8217;efficacit\u00e9, la vitesse et l&#8217;efficience du syst\u00e8me. La mise \u00e0 l&#8217;\u00e9chelle des images, la normalisation, l&#8217;alignement, l&#8217;augmentation des donn\u00e9es, la suppression de l&#8217;arri\u00e8re-plan et la d\u00e9tection des visages sont des exemples de techniques de pr\u00e9traitement fr\u00e9quentes.<\/p>\n<p>\t\t\t<a href=\"https:\/\/liora.io\/formation-deep-learning\"><br \/>\n\t\t\t\t\t\tSe former au pr\u00e9traitement de donn\u00e9es<br \/>\n\t\t\t\t\t<\/a><\/p>\n<h3>Convolutional neural network (CNN) : D\u00e9finition, caract\u00e9ristiques et fonctionnement<\/h3>\n<p>Les <a href=\"https:\/\/liora.io\/convolutional-neural-network\">r\u00e9seaux de neurones convolutif<\/a>\u00a0sont un type d&#8217;architecture d&#8217;apprentissage en profondeur particuli\u00e8rement bien adapt\u00e9 aux t\u00e2ches de reconnaissance d&#8217;images telles que la reconnaissance faciale.<\/p>\n<p>\t\t\t\t\t\t\t\t\t\t\t\t\t\t\t<img decoding=\"async\" src=\"https:\/\/liora.io\/app\/uploads\/2023\/03\/Fichier-125.png\" title=\"\" alt=\"\" loading=\"lazy\" \/>\t\t\t\t\t\t\t\t\t\t\t\t\t\t\t<\/p>\n<p>Dans un CNN pour la reconnaissance faciale, le r\u00e9seau est form\u00e9 sur un ensemble de donn\u00e9es d&#8217;images de visages et d\u2019images ne comportant pas de visages. Le CNN<b> apprend \u00e0 identifier les caract\u00e9ristiques importantes<\/b> d&#8217;un visage, telles que la forme des yeux, du nez et de la bouche, ainsi que la g\u00e9om\u00e9trie g\u00e9n\u00e9rale et la texture du visage. Ces caract\u00e9ristiques sont ensuite utilis\u00e9es pour identifier un visage dans une nouvelle image.<\/p>\n<p>L&#8217;architecture d&#8217;un CNN se compose g\u00e9n\u00e9ralement de plusieurs couches, chacune ayant une fonction sp\u00e9cifique. La premi\u00e8re couche, appel\u00e9e<b> couche d&#8217;entr\u00e9e<\/b>, re\u00e7oit les donn\u00e9es d&#8217;image brutes. Les couches suivantes, appel\u00e9es<b> couches convolutionnelles<\/b> ou couches cach\u00e9es, utilisent un ensemble de filtres pour extraire les caract\u00e9ristiques de l&#8217;image. Ces filtres glissent sur l&#8217;image (\u00e9tape de<b> convolution<\/b>), recherchant des motifs et des caract\u00e9ristiques sp\u00e9cifiques.\u00a0<\/p>\n<p>\t\t\t\t\t\t\t\t\t\t\t\t\t\t\t<img decoding=\"async\" src=\"https:\/\/liora.io\/app\/uploads\/2023\/03\/image2.png\" title=\"\" alt=\"\" loading=\"lazy\" \/>\t\t\t\t\t\t\t\t\t\t\t\t\t\t\t<\/p>\n<p>Les caract\u00e9ristiques r\u00e9sultantes sont ensuite pass\u00e9es \u00e0 travers une fonction d&#8217;activation non lin\u00e9aire, telle qu&#8217;une<strong><i> unit\u00e9 lin\u00e9aire rectifi\u00e9e<\/i><\/strong><strong> (ReLU)<\/strong>, qui introduit une non-lin\u00e9arit\u00e9 dans le r\u00e9seau et lui permet d&#8217;apprendre des mod\u00e8les plus complexes.<\/p>\n<p>Apr\u00e8s les couches convolutionnelles, le r\u00e9seau comprend des couches de regroupement ou <b><i>pooling<\/i><\/b><b>,<\/b> qui r\u00e9duisent la r\u00e9solution spatiale des caract\u00e9ristiques apprises par le r\u00e9seau tout en conservant des informations importantes. Cela se fait en prenant le maximum ou la moyenne d&#8217;une petite r\u00e9gion de la carte des caract\u00e9ristiques. Les couches de pooling rendent le r\u00e9seau plus robuste aux petits changements de position du visage dans l&#8217;image.<\/p>\n<p>\t\t\t\t\t\t\t\t\t\t\t\t\t\t\t<img decoding=\"async\" src=\"https:\/\/liora.io\/app\/uploads\/2023\/03\/image13.png\" title=\"\" alt=\"\" loading=\"lazy\" \/>\t\t\t\t\t\t\t\t\t\t\t\t\t\t\t<\/p>\n<p>Enfin, les caract\u00e9ristiques sont transmises \u00e0 travers des couches <b>enti\u00e8rement connect\u00e9es <\/b>(<i>fully connected layer)<\/i>, qui effectuent la t\u00e2che de classification. Ces couches produisent une probabilit\u00e9 pour chaque classe possible, dans le cas de la reconnaissance faciale, un visage ou pas de visage. Cette sortie est ensuite compar\u00e9e \u00e0 un seuil, pour prendre la d\u00e9cision finale. Ce seuil permet de d\u00e9cider de la pr\u00e9cision que l\u2019on souhaite pour prendre la d\u00e9cision. Par exemple, si le seuil est \u00e0 0.9, le mod\u00e8le effectue la t\u00e2che de reconnaissance faciale uniquement lorsque sa performance lors de l\u2019association de l\u2019image \u00e0 une personne en particulier est sup\u00e9rieure \u00e0 cette valeur.<\/p>\n<p>Il est important de noter que les CNN pour la reconnaissance faciale sont form\u00e9s avec un grand ensemble de donn\u00e9es d&#8217;images de diff\u00e9rents individus, ce qui leur permet d&#8217;identifier un large \u00e9ventail de personnes avec une grande pr\u00e9cision. Cependant, il est n\u00e9cessaire d&#8217;avoir un ensemble de donn\u00e9es diversifi\u00e9 pour \u00e9viter les biais, car les performances de ces mod\u00e8les peuvent \u00eatre affect\u00e9es par la d\u00e9mographie des individus dans l&#8217;ensemble de donn\u00e9es.<\/p>\n<p>\t\t\t<a href=\"https:\/\/liora.io\/formation-deep-learning\"><br \/>\n\t\t\t\t\t\tD\u00e9marrer une formation en Deep Learning<br \/>\n\t\t\t\t\t<\/a><\/p>\n<h3>Quelles sont les architectures concurrentes aux r\u00e9seaux de neurones convolutif ?<\/h3>\n<p>Plusieurs nouvelles architectures d&#8217;apprentissage en profondeur (ou Deep Learning Architectures) ont \u00e9t\u00e9 d\u00e9velopp\u00e9es pour la reconnaissance faciale ces derni\u00e8res ann\u00e9es. Voici quelques exemples :<\/p>\n<p><b>Architectures d&#8217;apprentissage multi-t\u00e2ches (MTL) : <\/b>l&#8217;apprentissage multi-t\u00e2ches est un type d&#8217;architecture d&#8217;apprentissage en profondeur capable d&#8217;apprendre plusieurs t\u00e2ches simultan\u00e9ment, telles que la reconnaissance faciale et la d\u00e9tection de rep\u00e8res faciaux. Cela peut am\u00e9liorer les performances globales du mod\u00e8le et r\u00e9duire la quantit\u00e9 de donn\u00e9es n\u00e9cessaires \u00e0 la formation.<\/p>\n<p>\t\t\t\t\t\t\t\t\t\t\t\t\t\t\t<img decoding=\"async\" src=\"https:\/\/liora.io\/app\/uploads\/2023\/03\/image9.png\" title=\"\" alt=\"\" loading=\"lazy\" \/>\t\t\t\t\t\t\t\t\t\t\t\t\t\t\t<\/p>\n<p><b>R\u00e9seaux antagonistes g\u00e9n\u00e9ratifs (GAN) <\/b>: les <a href=\"https:\/\/liora.io\/gan-machine-learning\">GAN<\/a> sont un type d&#8217;architecture d&#8217;apprentissage en profondeur qui se compose de deux r\u00e9seaux : un g\u00e9n\u00e9rateur et un discriminateur. Le g\u00e9n\u00e9rateur cr\u00e9e de nouvelles images similaires aux donn\u00e9es d&#8217;apprentissage, tandis que le discriminateur essaie de faire la distinction entre les images g\u00e9n\u00e9r\u00e9es et les images r\u00e9elles. Les GAN ont \u00e9t\u00e9 utilis\u00e9s pour la reconnaissance faciale en entra\u00eenant le g\u00e9n\u00e9rateur \u00e0 cr\u00e9er des images de visages pouvant tromper le discriminateur.<\/p>\n<p>\t\t\t\t\t\t\t\t\t\t\t\t\t\t\t<img decoding=\"async\" src=\"https:\/\/liora.io\/app\/uploads\/2023\/03\/image3.png\" title=\"\" alt=\"\" loading=\"lazy\" \/>\t\t\t\t\t\t\t\t\t\t\t\t\t\t\t<\/p>\n<p><b>R\u00e9seaux de capsules :<\/b> les r\u00e9seaux de capsules sont un type d&#8217;architecture de Deep Learning con\u00e7u pour mieux capturer les relations spatiales entre les parties d&#8217;une image, telles que la position des yeux, du nez et de la bouche sur un visage. Cela peut am\u00e9liorer la pr\u00e9cision de la reconnaissance faciale, en particulier lorsqu&#8217;il s&#8217;agit de visages partiellement occult\u00e9s ou sous des angles diff\u00e9rents.<\/p>\n<p>\t\t\t\t\t\t\t\t\t\t\t\t\t\t\t<img decoding=\"async\" src=\"https:\/\/liora.io\/app\/uploads\/2023\/03\/image10.png\" title=\"\" alt=\"\" loading=\"lazy\" \/>\t\t\t\t\t\t\t\t\t\t\t\t\t\t\t<\/p>\n<p><b>Mod\u00e8les bas\u00e9s sur l&#8217;attention :<\/b> les mod\u00e8les bas\u00e9s sur l&#8217;attention sont des architectures d&#8217;apprentissage en profondeur qui utilisent des m\u00e9canismes d&#8217;attention pour se concentrer sur les r\u00e9gions les plus informatives d&#8217;une image, telles que les yeux, le nez et la bouche d&#8217;un visage. Cela peut am\u00e9liorer les performances de la reconnaissance faciale, en particulier lorsqu&#8217;il s&#8217;agit de visages partiellement occult\u00e9s ou sous des angles diff\u00e9rents.<\/p>\n<p>\t\t\t\t\t\t\t\t\t\t\t\t\t\t\t<img decoding=\"async\" src=\"https:\/\/liora.io\/app\/uploads\/2023\/03\/Fichier-124.png\" title=\"\" alt=\"\" loading=\"lazy\" \/>\t\t\t\t\t\t\t\t\t\t\t\t\t\t\t<\/p>\n<p><b>Architectures l\u00e9g\u00e8res :<\/b> les architectures l\u00e9g\u00e8res telles que MobileNet, ShuffleNet et EfficientNet sont con\u00e7ues pour \u00eatre moins co\u00fbteuses en calcul que les CNN traditionnels. Cela peut les rendre plus adapt\u00e9s \u00e0 la reconnaissance faciale sur les appareils mobiles et les syst\u00e8mes embarqu\u00e9s avec des ressources de calcul limit\u00e9es.<\/p>\n<p>\t\t\t\t\t\t\t\t\t\t\t\t\t\t\t<img decoding=\"async\" src=\"https:\/\/liora.io\/app\/uploads\/2023\/03\/Fichier-123.png\" title=\"\" alt=\"\" loading=\"lazy\" \/>\t\t\t\t\t\t\t\t\t\t\t\t\t\t\t<\/p>\n<p>Il est important de noter que ces architectures font toujours l&#8217;objet de recherches et d&#8217;am\u00e9liorations et que la meilleure architecture pour un cas d&#8217;utilisation sp\u00e9cifique d\u00e9pend des caract\u00e9ristiques de l&#8217;ensemble de donn\u00e9es, des ressources de calcul disponibles et des exigences sp\u00e9cifiques de l&#8217;application.<\/p>\n<p>\t\t\t<a href=\"https:\/\/liora.io\/formation-deep-learning\"><br \/>\n\t\t\t\t\t\tApprendre \u00e0 utiliser ces infrastructures<br \/>\n\t\t\t\t\t<\/a><\/p>\n<h3>Reconnaissance faciale et RGPD : Est-ce compatible ?<\/h3>\n<p>La technologie de reconnaissance faciale cr\u00e9e d&#8217;importants probl\u00e8mes d&#8217;\u00e9thique et de confidentialit\u00e9, en particulier lors de l&#8217;application de l&#8217;apprentissage en profondeur ou Deep Learning. En effet, l&#8217;utilisation de la reconnaissance faciale soul\u00e8ve des questions sur la confidentialit\u00e9 et la possibilit\u00e9 d&#8217;une utilisation abusive des donn\u00e9es. De plus, il existe des probl\u00e8mes de<b> biais <\/b>dans les donn\u00e9es de formation, ce qui peut entra\u00eener des erreurs et des pr\u00e9jug\u00e9s envers des groupes sp\u00e9cifiques.<\/p>\n<p>\t\t\t\t\t\t\t\t\t\t\t\t\t\t\t<img decoding=\"async\" src=\"https:\/\/liora.io\/app\/uploads\/2023\/03\/image5.png\" title=\"\" alt=\"\" loading=\"lazy\" \/>\t\t\t\t\t\t\t\t\t\t\t\t\t\t\t<\/p>\n<p>Pour cette raison, il est essentiel de mettre en place des lois et des politiques appropri\u00e9es pour garantir l&#8217;utilisation responsable de cette technologie.<\/p>\n<p><b>Le r\u00e8glement g\u00e9n\u00e9ral sur la protection des donn\u00e9es (<\/b><a href=\"https:\/\/liora.io\/lintegration-du-rgpd-dans-les-entreprises\">RGPD<\/a><b>)<\/b> est un r\u00e8glement de l&#8217;Union europ\u00e9enne (UE) qui est entr\u00e9 en vigueur le 25 mai 2018. Il remplace la directive europ\u00e9enne sur la protection des donn\u00e9es de 1995 et renforce les lois europ\u00e9ennes sur la protection des donn\u00e9es. Le RGPD r\u00e9glemente la collecte, le <b>stockage et l&#8217;utilisation des donn\u00e9es personnelles,<\/b> y compris les donn\u00e9es biom\u00e9triques telles que la reconnaissance faciale.<\/p>\n<p>La technologie de reconnaissance faciale, qui utilise des algorithmes pour identifier et faire correspondre le visage d&#8217;une personne, peut traiter des donn\u00e9es biom\u00e9triques telles que les traits du visage, les motifs g\u00e9om\u00e9triques et m\u00eame les caract\u00e9ristiques comportementales. Cela signifie que la technologie de reconnaissance faciale rel\u00e8ve du champ d&#8217;application du RGPD, car elle traite des donn\u00e9es personnelles.<\/p>\n<p>En vertu du RGPD, les organisations doivent obtenir le <b>consentement explicite<\/b> des individus pour la collecte et le traitement de leurs donn\u00e9es personnelles. Les organisations doivent \u00e9galement informer les individus des finalit\u00e9s sp\u00e9cifiques pour lesquelles leurs donn\u00e9es seront utilis\u00e9es et de la dur\u00e9e de leur conservation. Ils doivent \u00e9galement offrir aux personnes un droit d&#8217;acc\u00e8s, de rectification ou de suppression de leurs donn\u00e9es personnelles.<\/p>\n<p>De plus, les organisations utilisant la technologie de reconnaissance faciale doivent effectuer une \u00e9valuation de l&#8217;impact sur la protection des donn\u00e9es<b> (AIPD)<\/b> avant de d\u00e9ployer la technologie. Une DPIA (en anglais, <b>Data Protection Impact Assessment<\/b>) est un processus qui aide les organisations \u00e0 identifier et \u00e0 att\u00e9nuer les risques associ\u00e9s au traitement des donn\u00e9es personnelles. Cela comprend l&#8217;\u00e9valuation de l&#8217;impact de la technologie sur les droits et libert\u00e9s des individus, ainsi que l&#8217;\u00e9valuation de l&#8217;efficacit\u00e9 des mesures mises en place pour prot\u00e9ger les donn\u00e9es personnelles.<\/p>\n<p>\t\t\t<a href=\"https:\/\/liora.io\/formations-data\"><br \/>\n\t\t\t\t\t\tD\u00e9couvrir nos formations en Data Science<br \/>\n\t\t\t\t\t<\/a><\/p>\n","protected":false},"excerpt":{"rendered":"<p>Ces derni\u00e8res ann\u00e9es, la technologie de reconnaissance faciale a prolif\u00e9r\u00e9, trouvant une utilisation accrue dans diff\u00e9rents domaines tels que les m\u00e9dias, les r\u00e9seaux sociaux, la surveillance ou encore la s\u00e9curit\u00e9. L&#8217;apprentissage profond, ou Deep Learning, permet au r\u00e9seau d\u2019apprendre automatiquement \u00e0 partir des donn\u00e9es. L&#8217;apprentissage profond s&#8217;est en effet av\u00e9r\u00e9 tr\u00e8s efficace pour reconna\u00eetre les [&hellip;]<\/p>\n","protected":false},"author":67,"featured_media":176765,"comment_status":"open","ping_status":"open","sticky":false,"template":"","format":"standard","meta":{"_acf_changed":false,"editor_notices":[],"footnotes":""},"categories":[46],"class_list":["post-176761","post","type-post","status-publish","format-standard","has-post-thumbnail","hentry","category-unassigned"],"acf":[],"_links":{"self":[{"href":"https:\/\/liora.io\/en\/wp-json\/wp\/v2\/posts\/176761","targetHints":{"allow":["GET"]}}],"collection":[{"href":"https:\/\/liora.io\/en\/wp-json\/wp\/v2\/posts"}],"about":[{"href":"https:\/\/liora.io\/en\/wp-json\/wp\/v2\/types\/post"}],"author":[{"embeddable":true,"href":"https:\/\/liora.io\/en\/wp-json\/wp\/v2\/users\/67"}],"replies":[{"embeddable":true,"href":"https:\/\/liora.io\/en\/wp-json\/wp\/v2\/comments?post=176761"}],"version-history":[{"count":1,"href":"https:\/\/liora.io\/en\/wp-json\/wp\/v2\/posts\/176761\/revisions"}],"predecessor-version":[{"id":208671,"href":"https:\/\/liora.io\/en\/wp-json\/wp\/v2\/posts\/176761\/revisions\/208671"}],"wp:featuredmedia":[{"embeddable":true,"href":"https:\/\/liora.io\/en\/wp-json\/wp\/v2\/media\/176765"}],"wp:attachment":[{"href":"https:\/\/liora.io\/en\/wp-json\/wp\/v2\/media?parent=176761"}],"wp:term":[{"taxonomy":"category","embeddable":true,"href":"https:\/\/liora.io\/en\/wp-json\/wp\/v2\/categories?post=176761"}],"curies":[{"name":"wp","href":"https:\/\/api.w.org\/{rel}","templated":true}]}}