老齡化的問題是，在考慮面部識別或面對身份驗證的生物識別技術時，立法者也可以咀嚼一個特別艱難的掘金。辯論中有微妙之處，尤其是年齡保證儘管英國監管機構對櫃檯發表了陳述，但在年輕的面孔上已被證明是準確的。
但是，由戈爾韋大學研究人員領導的一支團隊說：“值得注意的是，隨著時間的流逝，個人生物特徵的變化。”鑑於這一點，很難說“一個強大的年齡不變性的說法面部識別系統應對衰老和維持面部識別技術的可靠性和準確性所帶來的挑戰至關重要。 ”
這個概念為新論文探討了“利用合成衰老數據來提高魯棒性的可行性面部識別模型最終可以幫助人們在更廣泛的年齡間隔中認識到人們。 ”
該團隊的方法涉及設計一組實驗，以評估尖端的合成衰老方法，然後測試年齡間隔對當前基於深度學習的影響面部識別算法通過結合合成和實際衰老數據以執行“嚴格的訓練和驗證”。
“實驗結果表明，在合成老化圖像訓練的模型的識別率比基線模型的結果高3.33％，該模型的結果在年齡差距為40歲的圖像上進行測試，這證明了已量化的合成時代數據的潛力，這些數據已被量化以增強Invariant的性能。面部識別系統。 ”
用更簡單的話來說，對於並非旨在考慮衰老的面部識別系統，合成衰老數據有助於提高準確性。
本文確實指出，在許多情況下，定期提交新照片是有效的，就像何時更新護照。但這突出了異常用例，例如跟踪多年失踪的人。儘管作者承認：“儘管合成時代的進步（例如SAM，CUSP和Agetransgan）的進步，但與現實世界圖像相比，這些方法仍然在保留面部身份方面存在局限性，”他們最終聲稱贏得了同步老化技術的勝利。
“作為最終的研究結果，我們得出的結論是，利用合成時代圖像用於訓練目的表明了面部識別算法與年齡差距承諾的強大結果。”
免費合成面部數據集包含10,000個身份
那些想要即時訪問的人合成面部數據對於算法培訓，可以下載面部識別數據集Synmulti-Pie，該數據集已由Biometrics安全和隱私組免費提供IDIAP研究所。
在郵政該研究所的高級成員塞巴斯蒂安·馬塞爾（SébastienMarcel）在LinkedIn上說，該數據集包含10,000個合成身份，每個身份都有18種變化（姿勢，照明和表達）。 ”可用於在這裡下載。
