
English: 
I'd like to talk about face detection
All right. So this is the idea or if you've got a picture with one face in it or many faces in it
how do we find those faces and
The standard approaches is "Ah, we'll just use deep learning"
Now you can use deep learning to find faces
But actually the approach that everyone uses isn't deep learning and it was developed in the early 2000s
So back before deep learning did everything
You kind of had to come up with these algorithms yourself right machine learning was still a thing. So people still use machine learning
But they used them with handcrafted features and small neural networks and other kinds of classifiers
that they tried to use to do these things
Now the face detection was you know ongoing research at this time
In 2002 Paul viola Michael Jones came up with this paper here called
"Rapid object detection using a boosted cascade of simple features", and this is a very very good paper.
It's been cited some 17,000 times
And despite the fact that deep learning has kind of taken over everything.

Turkish: 
Yüz tanıma hakkında konuşmak istiyorum
Tamam. Yani bu bir fikir veya içinde bir yüzü veya içinde birçok yüzü olan bir resim varsa
bu yüzleri nasıl buluruz ve
Standart yaklaşımlar “Ah, sadece derin öğrenmeyi kullanacağız”
Artık yüzleri bulmak için derin öğrenmeyi kullanabilirsiniz
Fakat aslında herkesin kullandığı yaklaşım derin öğrenme değildir ve 2000'lerin başında geliştirilmiştir.
Bu yüzden derin öğrenme önce her şeyi yaptım
Bu algoritmaları kendiniz bulmak zorundaydınız, doğru makine öğrenmesi hala bir şeydi. Yani insanlar hala makine öğrenmeyi kullanıyor
Ancak bunları el yapımı özellikler, küçük sinir ağları ve diğer sınıflandırıcı türleri ile kullandılar.
Bunları yapmak için kullanmaya çalıştıklarını
Şimdi yüz tanıma, bu zamanda devam eden araştırmaları biliyordun.
2002 yılında Paul viola Michael Jones burada adı verilen bu yazı ile geldi
"Basit özelliklerin arttırılmış bir kaskadını kullanarak hızlı nesne algılama", ve bu çok çok iyi bir kağıt.
Yaklaşık 17.000 kez alıntı yapıldı
Ve derin öğrenmenin her şeyi bir nevi devralmış olmasına rağmen.

English: 
In face detection, this still performs absolutely fine, right
It's incredibly quick and if you've got any kind of camera that does some kind of face detection
It's going to be using something very similar to this, right?
So what does it do? Let's talk about that.
The problem is, right,
There's a few problems with face detection one is that we don't know how big the face is going to be
So it could be very big could be very small, and another is, you know,
Maybe you've got a very high-resolution image. We want to be doing this lots and lots of times a second
So what are we going to do to? Look over every every tiny bit of image lots and lots of times?
Complicated, um,
Machine learning, that says, you know, is this a face? is this not a face?
There's a trade-off between speed and accuracy and false-positives and false-negatives. It's a total mess
It's very difficult to find faces quickly, right? This is also considering it, you know, we have different ethnic groups
young, old people, people who've got glasses on, things like this
So all of this adds up to quite a difficult problem, and yet it's not a problem
we worry about anymore because we can do it and we can do it because of these guys

Turkish: 
Yüz tanımada, bu yine de kesinlikle iyi bir performans sergiliyor.
İnanılmaz derecede hızlı ve bir tür yüz algılaması yapan herhangi bir kameranız varsa
Buna çok benzer bir şey kullanacak, değil mi?
Peki ne işe yarıyor? Bunun hakkında konuşalım.
Sorun doğru.
Yüz tanımada bir sorun var, yüzün ne kadar büyük olacağını bilmiyoruz.
Yani çok büyük olabilir, çok küçük olabilir ve bir başkası, bilirsin,
Belki çok yüksek çözünürlüklü bir görüntünüz vardır. Saniyede bu kadar çok kez yapmak istiyoruz
Peki ne yapacağız? Her küçük resim parçasına ve çoğu zaman bakın.
Karmaşık, um,
Makine öğrenmesi diyor ki, bu bir yüz mü? bu bir yüz değil mi?
Hız ve doğruluk ile yanlış pozitif ve yanlış negatif arasında bir denge var. Bu tam bir karmaşa
Yüzleri hızlıca bulmak çok zor, değil mi? Bu da düşünüyor, biliyorsunuz, farklı etnik gruplarımız var.
Gençler, yaşlılar, gözlükleri olan insanlar, bunun gibi şeyler
Yani bunların hepsi oldukça zor bir soruna yol açıyor, ancak bu bir sorun değil
Artık endişeleniyoruz çünkü bunu yapabiliriz ve bu adamlar yüzünden yapabiliriz.

English: 
They came up with a classifier that uses very very simple features, one bit of an image subtracted from another bit of an image and
On its own and that's not very good, but if you have
thousands and thousands of those, all giving you a clue that maybe this is a face, you could start to come up with proper decision
[offscreen] Is this looking for facial features then is it as simple as looking for a nose and an eye and etc?
So no, not really, right. So deep learning kind of does that right?
It takes it takes edges and other features and it combines them together into objects
you know, in a hierarchy and then maybe it finds faces. What this is doing is making very quick decisions about
What it is to be a face, so in for example, if we're just looking at a grayscale image
Right, my eye is arguably slightly darker than my forehead, right?
In terms of shadowing and the pupils darker and things like this
So if you just do this bit of image minus this bit of image
My eye is going to produce a different response from this blackboard, right, most of the time
Now, if you do that on its own, that's not a very good classifier, right? It'll get
quite a lot of the faces

Turkish: 
Çok basit özellikler kullanan, bir görüntünün başka bir bitinden çıkarılmış bir görüntünün biti ve
Kendi başına ve bu çok iyi değil, ama varsa
binlerce ve onlardan hepsi, belki de bunun bir yüz olduğuna dair bir ipucu vererek, uygun bir karar almaya başlayabilirsiniz.
[ekran dışı] Bu yüz özellikleri mi arıyor, o zaman burun ve göz vs. aramak kadar basit mi?
Yani hayır, tam olarak değil. Yani derin öğrenme bu doğru mu?
Kenarları ve diğer özellikleri alır ve bunları birlikte nesneler halinde birleştirir.
Bilirsin, bir hiyerarşide ve sonra belki yüzleri bulur. Bu ne yapıyor hakkında çok hızlı kararlar alıyor
Yüzün ne olduğu, yani, eğer sadece gri tonlamalı bir resme bakıyorsak
Doğru, gözüm belki alnımdan biraz daha koyu, değil mi?
Gölgeleme ve öğrenciler açısından daha koyu ve bunun gibi şeyler
Öyleyse bu görüntü parçasını sadece eksi bu görüntüyü yaparsanız
Benim gözüm, çoğu zaman, çoğu zaman bu kara tahtadan farklı bir cevap üretecek.
Şimdi, bunu kendi başınıza yaparsanız, bu çok iyi bir sınıflandırıcı değildir, değil mi? Alacağım
yüzlerin oldukça fazla

Turkish: 
Ama aynı zamanda, bir şey her zaman olan başka bir şeyden daha karanlık olduğu durumlarda başka bir sürü yük bulacak
bu yüzden soru şu; “bir seferde bu şeylerin çoğunu üretebilir ve bu şekilde bir karar verebilir miyiz?”.
Bu çok basit dikdörtgen özellikleri önerdiler
Görüntünün yalnızca bir bölümü, görüntünün başka bir bölümünden çıkarılır
Dolayısıyla, bu özelliklerin birkaç türü vardır. Bunlardan biri iki dikdörtgen özellik
Yani bir tarafını diğer taraftan çıkardığımız bir resim bloğumuz var.
Yaklaşımları makine öğrenmeye dayalı yaklaşımdır
Normalde, makine öğreniminde yapacağınız şey, ayıklamaktır.
Tüm görüntüyü koyamazsınız belki bu görüntüde beş yüz yüz vardır
Bu yüzden görüntüden bazı özellikleri hesapladığımız bir şeyi koyduk ve sonra tüm makine öğrenmesini denemek ve sınıflandırmak için kullanıyoruz.
Görüntünün bitleri veya görüntünün tamamı veya bunun gibi bir şey. Katkıları çok hızlı bir şekilde oldu
bu özellikleri hesaplamak ve yüz sınıflandırma yapmak için bunları kullanmak
Bu görüntü bloğunda bir yüz olduğunu söylemek için
Ve kullandıkları özellikler süper basit, değil mi? Yani sadece bunun gibi dikdörtgen özellikler
Öyleyse yan yana iki dikdörtgen var, ki biliyorsunuz ki piksel miktarı

English: 
But it'll also find a load of other stuff as well where something happens to be darker than something else that happens all the time
so the question is "can we produce a lot of these things all at once and make a decision that way?"
They proposed these very very simple rectangular features
Which are just one part of an image subtracted from another part of an image
So there are a few types of these features. One of them is a two rectangle features
So we have a block of image where we subtract one side from the other side
Their approaches are machine learning-based approach
Normally, what you would do in machine learning is you would extract --
You can't put the whole image in maybe there's five hundred faces in this image
So we put in something we've calculated from the image some features and then we use all machine learning to try and classify
bits of the image or the whole image or something like this. Their contribution was a very quick way to
calculate these features and use them to make a face classification
To say there is a face in this block of image or there isn't
And the features they use a super simple, right? So they're just rectangular features like this
So we've got two rectangles next to each other which, you know are some amount of pixels

English: 
so maybe it's a
It's nine pixels here and nine pixels here or just one pixel and one pixel or hundred pixels and a hundred pixels
It's not really important.
and we do one subtract the other right?
So essentially we're looking for bits of an image where one bit is darker or brighter than another bit
This is a two rectangle feature. It can also be oriented the other way so, you know like this
We also have three rectangle features which are like this where you're doing sort of maybe the middle subtract the outside or vice versa
And we have four rectangle feature which are going to be kind of finding diagonal sort of corner things
So something like this
Even if your image is small right you're going to have a lot of different possible features even of these four types
So this four rectangle feature could just be one pixel each or each of these could be half the image it can scale
You know or move and move around
Brady : What determines that?
Mike : Um, so they do all of them, right?
Or at least they look at all of them originally
And they learn which ones are the most useful for finding a face this over a whole image of a face isn't hugely

Turkish: 
bu yüzden belki bir
Burada dokuz piksel ve burada dokuz piksel veya sadece bir piksel ve bir piksel veya yüz piksel ve yüz piksel
Bu gerçekten önemli değil.
ve birisini diğer hakkını mı çıkartacağız?
Bu yüzden aslında bir bit diğerinden daha koyu veya daha parlak olan bir görüntünün bitlerini arıyoruz.
Bu iki dikdörtgen bir özelliktir. Aynı zamanda diğer yöne yönlendirilebilir, yani böyle biliyorsunuz
Ayrıca, belki de ortayı dışarı çıkarırken veya tam tersi şekilde yaptığınız üç dikdörtgen özelliğe sahibiz.
Ve köşegen çeşit köşeli şeyler bulabilen dört dikdörtgen özelliğimiz var.
Yani böyle bir şey
Resminiz küçük olsa bile, bu dört türden bile çok farklı olası özelliklere sahip olacaksınız.
Böylece bu dört dikdörtgen özellik, her birinin yalnızca bir pikseli veya bunların her birinin ölçekleyebileceği görüntünün yarısı olabilir
Bilirsin ya da taşınır ve taşınırsın
Brady: Bunu ne belirliyor?
Mike: Hım, yani hepsini yapıyorlar, değil mi?
Ya da en azından hepsine başlangıçta bakıyorlar.
Ve hangisinin bir yüz bulmak için en kullanışlı olduğunu öğrenirler, bunun bir yüz görüntüsünün tamamı üzerinde büyük bir önemi yoktur.

English: 
representative of what a face looks like right? No one's face. The corners are darker than the other two corners
That doesn't make sense, right but maybe over their eye, maybe that makes more sense
I don't know, that's the kind of the idea. So they have a training process at which was down
Which of these features are useful, the other problem we've got is that on an image
Calculating large groups of pixels and summing them up is quite a slow process
So they come a really nifty idea called an integral image which makes this way way faster
So let's imagine we have an image
Right, and so think -- consider while we're talking about this that we want to kind of calculate these bits of image
But minus some other bit of image, right? So let's imagine we have an image which is nice and small
It's too small for me to write on but let's not worry about it
Right and then let's draw in some pixel values. Sast forward. Look at the state of that. That's that's a total total shambles
This is a rubbable-out pen, right? For goodness sake
Right right okay okay so all right so
Let's imagine this is our input image. We're trying to find a face in it
Now I can't see one

Turkish: 
Bir yüzün neye benzediğini gösteren temsilci? Kimsenin yüzü değil. Köşeler diğer iki köşeden daha koyu
Bu mantıklı değil, belki gözlerinde olabilir, belki daha anlamlı olabilir.
Bilmiyorum, bu tür bir fikir. Bu yüzden aşağı bir eğitim süreci var
Bu özelliklerden hangisi faydalıdır, sahip olduğumuz diğer sorun görüntüde ki
Büyük piksel gruplarının hesaplanması ve toplanması, oldukça yavaş bir işlemdir.
Böylece, bu yolu bu kadar hızlı kılan, bütünleşik bir görüntü denilen çok şık bir fikir geliyorlar.
Öyleyse bir görüntümüz olduğunu hayal edelim
Doğru ve öyle düşünün - bu konu hakkında konuşurken bu görüntü parçalarını hesaplamak istediğimizi düşünün
Ama eksi başka bir görüntü parçası, değil mi? Diyelim ki güzel ve küçük bir imgemiz var.
Yazmam için çok küçük ama endişelenmeyelim
Doğru ve sonra bazı piksel değerleri çizelim. İleriye doğru at. Bunun durumuna bak. Bu toplam toplam karmakarışık
Bu bir tükenmez kalem değil mi? Tanrı aşkına
Tamam, tamam, tamam, tamam, tamam
Bunun bizim giriş imajımız olduğunu düşünelim. İçinde bir yüz bulmaya çalışıyoruz
Şimdi bir tane göremiyorum

English: 
But obviously this could be a quite a lot bigger and we want to calculate let's say one of our two rectangle features
So maybe we want to do these four pixels up in the top
Minus the four pixels below it now that's only a few additions : 7 + 7 + 1 + 2
minus 8 + 3 + 1 + 2
But if you're doing this over large sections of image and thousands and thousands of times to try and find faces
That's not gonna work
So what Viola Jones came up with was this integral image where we pre-compute
Some of this arithmetic for us, store it in an intermediate form, and then we can calculate
rectangles minus of of rectangles really easily
So we do one pass over the image, and every new pixel is the sum of all the pixels
Above and to the left and it including it. right, so this will be something like this
so
1 and 1 + 7 is 8 so this pixel is the sum of these two pixels and this pixel is going to be all these three
So that's going to be 12... 14... 23
and now we fast forward while I do a bit of math in my head

Turkish: 
Ama açıkçası bu çok daha büyük olabilir ve hesaplamak istiyoruz ki iki dikdörtgen özelliğimizden birini diyelim.
Belki de bu dört pikseli üstte yapmak istiyoruz.
Altındaki dört piksel eksi şimdi sadece birkaç ekleme: 7 + 7 + 1 + 2
eksi 8 + 3 + 1 + 2
Fakat bunu büyük görüntü bölümleri üzerinde yapıyorsanız ve yüzleri bulmak ve bulmak için binlerce ve binlerce kez yapıyorsanız
Bu işe yaramayacak
Öyleyse, Viola Jones'un ortaya çıkardığı şey, önceden hesapladığımız bu ayrılmaz görüntü oldu.
Bu aritmetiklerin bir kısmı bizim için ara formda saklar, sonra da hesaplayabiliriz.
dikdörtgenler eksi dikdörtgenler gerçekten kolay
Böylece resmin üzerine bir geçiş yapıyoruz ve her yeni piksel, tüm piksellerin toplamıdır.
Üstte ve solda ve onu da içeren. tamam, yani bu böyle bir şey olacak
yani
1 ve 1 + 7 8'dir, bu piksel bu iki pikselin toplamıdır ve bu piksel bu üçünün tümü olacaktır.
Yani bu 12, 14, 23 olacak
ve şimdi kafamda biraz matematik yaparken hızlıca ilerliyoruz

English: 
8...17 maybe I did somebody's earlier, 24... On a computer this is much much faster
The sum of all the pixels is 113. For example, the sum of this 4x4 block is 68 now
The reason this is useful, bear with me here
But if we want to work out what, let's say, the sum of this region is what we do is we take this one
113 we subtract this one, minus 64
Alright, and this one?
minus 71 and that's taken off all of that and all of that and then we have to add this bit in because we've been
Taken off twice so plus 40. All right, so that's four reads. Now funnily enough this is a 4 by 4 block
So I've achieved nothing
But if this was a huge huge image, I've saved a huge amount of time and the answer to this is 18
Which is 6 plus 6 plus 5 plus 1
So the assumption is that I'm not just going to be looking at these pictures one time to do this, right?
There's lots of places a face could be I've got to look at lots of combinations of pixels and different regions
So I'm going to be doing huge amounts of pixel addition and subtraction
So let's calculate this integral image once and then use that as a base to do really quick

Turkish: 
8 ... 17 belki de daha önce bir başkasını yaptım, 24 ... Bir bilgisayarda bu çok daha hızlı
Tüm piksellerin toplamı 113'tür. Örneğin, bu 4x4 bloğunun toplamı 68'dir
Bunun faydalı olmasının nedeni burada benimle birlikte olmaktır.
Ama ne olduğunu anlamak istiyorsak, diyelim ki, bu bölgenin toplamı yaptığımız şey, bunu almak.
113 bunu çıkartıyoruz, eksi 64
Tamam, peki ya bu?
eksi 71 ve hepsi bu ve hepsinden koptu ve sonra bu parçayı eklemek zorundayız çünkü biz
İki kez artı 40 artı. Tamam, bu yüzden dört okur. Şimdi yeterince komik bu 4 4 blok
Böylece hiçbir şey elde etmedim
Ama eğer bu çok büyük bir imge olsaydı, çok fazla zaman kazandırdım ve bunun cevabı 18.
6 artı 6 artı 5 artı 1 olan
Öyleyse, varsayım bunun için bir kez sadece bu resimlere bakmayacağım, değil mi?
Yüzün olabileceği pek çok yer var, birçok piksel ve farklı bölge kombinasyonuna bakmam gerekiyor
Bu yüzden büyük miktarda piksel toplama ve çıkarma işlemi yapacağım.
Öyleyse bu integral görüntüyü bir kez hesaplayalım ve sonra bunu gerçekten hızlı yapmak için bir üs olarak kullanalım.

Turkish: 
Bölge ekleme ve çıkarma, doğru mu?
ve böylece bence 4 dikdörtgen bölge
dokuz okur gibi bir şey veya buna benzer bir şey ve biraz ek olarak alacaktır. Çok basit
Tamam. Peki şimdi bunu nasıl çalışan bir yüz algılayıcısına çeviririz? Hayal edelim
Yine iyi çizimlerimden biri olacak bir yüzün resmi var.
Şimdi, bu özel algoritmada, 24'e 24 piksel bölgelere bakarlar, ancak biraz yukarı ve aşağı ölçekleyebilirler
Diyelim ki burada gözler, burun, ağız sağ ve biraz saç olan bir yüz var.
Tamam iyi. Şimdi daha önce de bahsettiğim gibi, muhtemelen bu konuda pek bir anlam ifade etmeyen bazı özellikler var.
Örneğin kırmızı kalemimi alırsam çıkarma
Görüntünün bu yarısını bu yarısından çıkarmak. Çoğu yüzleri temsil etmeyecek
Bir tarafta çok fazla aydınlatma olduğunda olabilir, ancak ayırt etmek çok iyi değil
Yüzleri olan görüntüler ve yüzleri olmayan görüntüler

English: 
Adding and subtracting of regions, right?
and so I think for example a 4 rectangle region
is going to take something like nine reads or something like that and a little bit addition. It's very simple
All right. So now how do we turn this into a working face detector? Let's imagine
We have a picture of a face, which is going to be one of my good drawings again
Now in this particular algorithm, they look 24 by 24 pixel regions, but they can also scale up and down a little bit
So let's imagine there's a face here which has, you know eyes, a nose and a mouth right and some hair
Okay, good. Now as I mentioned earlier, there are probably some features that don't make a lot of sense on this
So subtracting, for example, if I take my red pen
Subtracting this half of image from this half. It's not going to represent most faces
It may be when there's a lot of lighting on one side, but it's not very good at distinguishing
Images that have faces in and images that don't have faces in

Turkish: 
Yani ne yaparlarsa yapsınlar, 24 x 24 görüntü için tüm özellikleri hesaplarlar.
180.000 olası 2, 3 ve 4 dikdörtgen özellik kombinasyonunun tümünü hesaplar ve hangisinin üzerinde çalışır
Alınan yüzler ve yüzler olmayan belirli bir veri kümesi için, hangisi pozitifleri negatiflerden en iyi şekilde ayırır?
Diyelim ki 10.000 yüz fotoğrafınız var.
En iyi özelliği olan 10.000 arka plan resmi
"Bu bir yüz, bu bir yüz değil" diyor 
Doğru, akılda tutmak
Hiçbir şey sadece bir özellik ile tam olarak doğru yapamaz
Görünüşe göre ilk çıktığı şey böyle bir şey.
İki dikdörtgen bir bölge, ancak gözlerin alanı ile yanakların havası arasında bir fark var.
Yani, normal bir suratta, yanaklarınız genellikle gözlerinizden daha parlak veya daha koyu ise
Öyleyse yaptıkları şey derler.
Pekala, tam da bu özelliğe sahip bir sınıflandırıcı başlatalım ve ne kadar iyi olduğunu görelim.
Bu bizim bir numaralı ilk özelliğimiz ve oldukça rahat bir eşiğimiz var
yani bu bölgede makul bir şey varsa

English: 
So what they do, is they calculate all of the features, right for a 24 by 24 image
They calculate all 180,000 possible combinations of 2, 3, and 4 rectangle features and they work out which one
For a given data set of faces and not faces, which one best separates the positives from the negatives, right?
So let's say you have 10,000 pictures of faces
10,000 pictures of background which one feature best
says "this is a face, this is not a face" 
Right, bearing in mind
Nothing is going to get it completely right with just one feature
So the first one it looks it turns out is something like this
It's a two rectangle region, but works out a difference between the area of the eyes and the air for cheeks
So it's saying if on a normal face your cheeks are generally brighter or darker than your eyes
So what they do is they say, okay
Well, let's start a classifier with just that feature right and see how good it is
This is our first feature feature number one, and we have a pretty relaxed threshold
so if there's anything plausible in this region

Turkish: 
tüm yüzlerden ve bir sürü başka şeyden geçmesine izin verecek doğrudan gireceğiz.
Doğru istemiyorum. Yani bu evet. Bu tamam değil mi? Sorun değil, hayır, o zaman derhal biz
Görüntünün bu bölgesi doğru değil mi? Bu yüzden dört ekleme hakkında bildiğimiz bir test yaptık
Bu nedenle, bu geçiş bölgesinin bir sonraki aşamaya geçmesine izin verirse, bu görüntü bölgesi için söyledik.
Doğru ve tamam diyeceğiz ki kesinlikle bir yüz olabilir
Yüz değil. bu mantıklı mı? Evet tamam
Öyleyse bir sonraki özelliğe bakalım
Bir sonraki özellik bu
Yani bu üç bölge özelliği ve burun ile köprü ve gözler arasındaki farkı ölçer, değil mi?
bu daha koyu veya daha açık olabilir veya olmayabilir. Tamam, orada bir fark var.
Yani bu iki numaralı özellik, bu yüzden bunu iki numaralı buraya çizeceğim
Ve eğer bu geçerse bir sonraki özelliğe geçersek, bu yüzden bu bir tür ikili, buna "yozlaşmış karar ağacı" diyorlar.
Doğru, çünkü karar ağacı ikili bir ağaçtır. Bu gerçekten değil çünkü hemen burada duruyorsunuz.
daha ileri gitme.
Argüman bu
Bu özelliklerden birini her hesaplamamız biraz zaman alıyor.

English: 
we'll let it through right which is going to let through all of the faces and a bunch of other stuff as well that we
Don't want right. So this is yes. That's okay, right? That's okay if it's a no then we immediately
Fail that region of image right? So we've done one test which is as we know about four additions
So we've said for this region of image if this passes will let it through to the next stage
Right and we'll say okay it definitely could be a face
It's not not-a-face. Does that make sense? Yeah, okay
So let's do look at the next feature
The next feature is this one
So it's a three region feature and it measures the difference between the nose and the bridge and the eyes, right?
which may or may not be darker or lighter. All right, so there's a difference there
So this is feature number two, so I'm going to draw that in here number two
And if that passes we go to the next feature, so this is a sort of binary, they call it "degenerate decision tree"
Right, well because the decision tree is a binary tree. This is not really because you immediately stop here
you don't go any further.
The argument is that
Every time we calculate one of these features it takes a little bit of time

Turkish: 
Ne kadar çabuk söyleyebiliriz ki, "kesinlikle orada bir yüz yok" diyebiliriz. Ve tüm özelliklere bakmamız gereken tek zaman
Ya da tüm iyiler, "tamam, bu aslında burada bir yüz olabilir" derken
Bu yüzden daha az genel, daha fazla ve daha spesifik özelliklerin tam sayıya kadar ilerlediğini görüyoruz.
Sanırım kullanmaları yaklaşık altı bin dolar. Tamam, biz sadece ilk geçişi söylüyoruz.
Evet, sadece ikinci bir geçiş
Evet, başarısız olana kadar devam ediyoruz ve sonuna kadar gidersek hiçbir şey başarısız olmaz.
bu bir yüz, doğru ve bunun güzelliği
Görüntünün büyük çoğunluğu için, hiçbir hesaplama yoktur. Sadece bir göz atacağız, ilk özellik başarısız oldu
"Hayır, yüz değil". Görüntünün farklı bölgelerini toplamanın ve çıkarmanın gerçekten iyi bir yolunu tasarladılar
Sonra en iyi özellikleri ve bu özellikleri uygulamak için en iyi sırayı bulmak için böyle bir sınıflandırıcıyı eğittiler.
her zaman var olan yüzleri tespit etmek ile yanlış pozitifler ve doğru hız arasında ne güzel bir uzlaşma oldu?
Ve o zamanlar bu devam ediyordu, bence hesaplama teknolojisinin 2002'de nasıl olduğu hakkında bir fikir vereceğim.

English: 
The quicker we can say "no definitely not a face in there", the better. And the only time we ever need to look at all the features
Or all of the good ones is when we think, "okay, that actually could be a face here"
So we have less and less general, more and more specific features going forward right up to about the number
I think it's about six thousand they end up using. All right, so we we say just the first one pass
Yes, just a second one pass
Yes, and we keep going until we get a fail and if we get all the way to the end and nothing fails
that's a face, right and the beauty of this, is that
For the vast majority of the image, there's no computation at all. We just take one look at it, first feature fails
"Nah, not a face". They designed a really good way of adding and subtracting different regions of the image
And then they trained a classifier like this to find the best features and the best order to apply those features
which was a nice compromise between always detecting the faces that are there and false positives and speed right?
And at the time, this was running on, I think to give you some idea of what the computational Technology was like in 2002

Turkish: 
Bu 700 megahertz Pentium 3'te sunuldu ve saniyede 15 kare yayınladı
o zamanlar tamamen duyulmamış bir şeydi. Yüz tanıma, bir tür çevrimdışıydı, bilirsin, o zamanlar iyiydi.
Yani bu gerçekten, gerçekten harika bir algoritma ve çok etkili
kamera telefonunuzda hala kullanıldığını görüyorsunuz.
ve bu kamera ve benzeri, sadece yüzün etrafında küçük bir sınırlayıcı kutu olsun ve bu hala gerçekten yararlıdır
Çünkü yüz tanıma gibi bir şey üzerinde derin bir öğrenme yapıyor olabilirsiniz.
Ancak bu sürecin bir kısmı ilk olarak yüzün nerede olduğunu ve bu teknik gerçekten çok iyi çalıştığında tekerleği yeniden icat ediyor
Gerçekten de veri merkezine giremez ve oraya koyduğun tüm fişleri çıkaramazsın.
Muhtemelen cipsleri, başka bir şeymişler gibi orda olmaları veya gizlemeleri gibi görünmesini sağlayacaksınız.
Böylece modern bir baskılı devre kartı inşa edilir. Fiberglas katmanları olan baskılı bir devre kartıdır.

English: 
This was presented on a 700 megahertz Pentium 3 and ran at 15 frames a second
which was totally unheard of back then. Face detection was the kind of offline, you know, it was okay at that time
So this is a really, really cool algorithm and it's so effective
that you still see it used in, you know, in your camera phone
and in this camera and so on, when you just get a little bounding box around the face and this is still really useful
because you might be doing deep learning on something like face recognition, face ID something like this
But part of that process is firstly working out where the face is, and why reinvent the wheel when this technique works really really well
You can't really get into the data center necessarily and take all the chips out that you've put in there
So you probably will make the chips look like they're meant to be there like they're something else or hide them
So the way a modern printed circuit board is constructed. It's a printed circuit board that's got several layers of fiberglass
