狄耐克正式发布人脸识别8.0算法模型

　　近日，狄耐克正式发布人脸识别8.0算法模型，依托1000万+ID、2.4亿+图片等训练数据集规模，进一步解决了儿童识别、美颜化妆适配、复杂场景抓拍、国产芯片兼容等行业痛点，实现人脸识别精度、场景适配性与硬件兼容性的多方位升级，为社区门禁、智能门锁、安防抓拍等多场景应用提供更强的核心技术支撑。

　　狄耐克此次发布的人脸识别8.0算法模型，涵盖4MB到256MB等适配不同场景的各类模型尺寸，适用于智能门锁（指纹/人脸）、端侧社区门禁、端侧高精度人脸识别和抓拍、百万级人脸比对等应用场景。

　　上图为部分楼宇对讲产品

　　狄耐克人脸识别8.0算法模型

　　较前一版本主要的改进点：

　　1

　　针对儿童人脸进行强化学习和训练

　　明显降低儿童的误识别率

　　由于儿童的人脸特征差异不明显，导致大部分人脸识别算法均存在较高的误识别率。此次训练中，狄耐克针对儿童人脸进行了数据强化，同时借助多模态大模型进行数据增广，明显降低了儿童误识别率。

　　2

　　针对美颜、化妆等优化训练

　　进一步提升美颜底图的识别通过率

　　狄耐克微云门禁平台是一个开放式、用户自主管理的门禁系统，许多用户选择上传心目中最美的照片。因此，公司基于用户的实际需求，对美颜、化妆和实际场景数据进行定向增广，以进一步提高碰撞率，最终针对性提升了模型对美颜、化妆等场景的适应能力。

　　3

　　优化IPC和极端场景识别率

　　8.0算法模型优化了IPC等非主动配合式设备识别通过率，以及提升了摄像头拖影、老化模糊等极端场景的识别准确率和通过率。

　　4

　　针对各类NPU加速器的算子优化

　　在不影响算法精度的条件下，狄耐克选择NPU兼容性好的算子进行模型设计，例如在华为海思NPU上的int8混合量化实现低于1%的精度损失，在瑞芯微和全志等NPU上的fp16/int16量化实现低于0.1%的精度损失，以最优的模型架构适应各种国产芯片方案。

　　此次人脸识别8.0算法的迭代落地，是狄耐克在积极布局脑机接口、大模型Agent、鸿蒙生态、智能物联网等前沿技术的同时，持续深耕主营业务核心技术打磨的重要成果。接下来，狄耐克将持续聚焦用户场景需求与行业技术痛点，以技术创新驱动产品升级，为智慧社区、智能家居、公共安防等领域提供更优质的技术与产品解决方案，实现公司主营业务和创新赛道多元开花的高质量发展。