聯合醫療保健執行長布萊恩湯普森在曼哈頓中城被謀殺，涉及使用臉部辨識技術（FRT）來識別兇手，但挑戰阻礙了其成功。紐約市(NYPD) 超過15,000 個各種先進監控系統和安全攝影機（包括出租車和無人機內部）捕捉到的嫌疑人的部分圖像未能捕捉到嫌疑人的完整面部特徵，限制了該技術的有效性隔離嫌疑人的身分。
五天后，使用 FRT 未能成功識別嫌疑人，紐約警察局發布了更多據稱是其所掌握的最清晰嫌疑人照片，以向公眾徵求資訊。
正是這些照片導致公眾舉報稱，嫌疑人似乎與在距離紐約市約 200 英里的賓夕法尼亞州阿爾圖納的一家麥當勞裡被觀察到的同一個人有關。這名男子名叫路易吉·曼吉奧內(Luigi Mangione)，立即被當地警方拘留，並最終被指控謀殺湯普森。
「這張照片出現的次數比一般兇殺案中出現的次數還要多，」費城前警官、城堡刑事司法教授肖恩·帕特里克·格里芬 (Sean Patrick Griffin)告訴 紐約時報週一。
這時代補充道，「最終，正是分發照片的簡單行為——而不是複雜的面部識別技術——讓警方找到了被指控參與致命槍擊事件的男子……對於專家來說，這個案件提醒人們——即使臉部辨識技術變得更加複雜，分發照片並依靠公眾識別臉部仍然可以在調查中發揮關鍵作用。
未來主義者雜誌的位元組 說：「人工智慧完全沒能抓住殺手首席執行官」。
但即使紐約警察局擁有嫌疑人的清晰面部圖像，只有當嫌疑人的面部存在於犯罪數據庫、紐約機動車輛管理局的生物識別數據庫、聯邦調查局(FBI) 的生物識別數據庫中時，它才有用。
雖然執法部門廣泛採用臉部辨識技術來識別嫌疑人，但其在識別 Mangione 方面的作用並不理想。但也許不僅僅是因為該技術的缺點。法律和隱私問題以及聯邦和州際資料庫連接限制也可能發揮了作用。
紐約警察局官方表示，其主要臉部辨識工具由。然而，該部門承認為特定目的使用其他工具，並因人工智慧技術缺乏透明度和全面監督而面臨批評。
DataWorks 的 FaceCompare Plus 可對任兩張並排的臉部影像進行形態學臉部比較，無需完整的臉部辨識系統。但是，再次強調，曼吉奧內的照片必須已經存在於紐約警察局或其他州和聯邦資料庫中才有用。
「大多數美國人可能認為執法部門對美國每個人都有印象。這完全不是真的。執行長唐尼·斯科特 (Donnie Scott)CNN 援引。 “如果他碰巧不是紐約居民，而且之前也沒有被捕過，那麼他很可能不會出現在他們的犯罪數據庫或照片存儲庫中。”
Scott 進一步強調，「根據法規，紐約州無權出於執法目的存取 DMV 資料庫。它需要合作和資訊共享，以及各機構有理由和願意依法允許共享這些資訊。
同樣，紐約警察局以及全國許多其他執法機構也無法立即存取彼此的資料庫，尤其是其所在州的 DMV 資料庫。一個州也無法存取另一州的 DMV 照片儲存庫。
聯邦調查局 (FBI) 確實參與了湯普森謀殺案的調查，並在曼哈頓一家酒店外發生的事件發生後與紐約警察局聯手調查。聯邦調查局利用其資源追蹤線索並查明肇事者，協助追捕嫌疑犯。目前尚不清楚聯邦調查局的努力是否導致某些資料庫照片匹配。
FBI 有權存取州執法犯罪資料庫和 DMV 記錄，但這種存取通常透過合作協議受到聯邦和州法律的監管和管轄。
FBI 負責營運刑事司法資訊服務 (CJIS) 網絡，其中包括國家犯罪資訊中心 (NCIC) 等系統。州和地方執法機構輸入和存取 NCIC 上的數據，FBI 可以使用這些數據進行調查。
CJIS 網路也將州和地方資料庫連接到 FBI，從而實現跨司法管轄區的資料共享。
至於 DMV 記錄，FBI 通常可以透過《駕駛員隱私保護法》存取這些記錄進行調查，該法允許出於合法執法目的進行此類存取。透過國家執法電信系統，FBI 可以請求州級 DMV 數據，其中包括駕駛執照資訊和車輛登記資訊。
不過，存取權限通常取決於州執法機構和聯邦調查局之間的協議。各州維護自己的資料庫，但根據既定協議，在調查需要時授予聯邦調查局存取權限。訪問也受到密切監控，以確保遵守隱私法，濫用這些系統可能會導致重大處罰。
然而，最終，紐約警察局透過媒體向公眾提供了嫌疑人的部分照片，導致曼吉奧內被捕——這是在紐約警察局對其調查大做文章之後。
前紐約警察局局長雷·凱利早些時候告訴福克斯商業頻道，他相信嫌疑人“很快”就會被抓獲，並且“面部識別是有效的，我希望它能在本案中使用。”
然而，紐約警察局偵探局長約瑟夫·肯尼在調查初期補充說，警方到目前為止還無法使用臉部辨識來識別他的身份，可能是因為圖像不完整或紐約警察局使用該技術的方式受到限制。
儘管臉部辨識已經取得了顯著的發展，但現代系統仍然難以應對所有挑戰，例如外科口罩、巴拉克拉法帽或部分影像，這些挑戰取得了不同程度的成功。
在分析被口罩或頭套遮蔽的部分影像時，臉部辨識系統仍面臨重大挑戰。雖然先進的系統可以專注於眼睛、眉毛和臉部輪廓等可見特徵，但當臉部的大部分被隱藏時，準確性就會降低。性能取決於解析度、影像品質和所使用的演算法等因素。
一些針對此類場景進行訓練的系統提高了識別率，並利用人工智慧模型從有限的資料中提取更多線索。然而，與無障礙影像相比，成功率通常仍然明顯較低。在 COVID-19 大流行期間進行的研究表明，準確率下降了 5% 到 50%，具體取決於系統和臉部覆蓋範圍。
許多系統已經更新，透過專注於眼睛、眉毛和前額等可見特徵來適應蒙面面孔，一些公司，例如和華為，聲稱他們的技術達到了90%-95%的準確率。
使用3D 映射和紅外線成像的先進系統可以繞過傳統2D 識別的一些限制，並且一些經過大量資料集（包括蒙面人臉）訓練的人工智慧模型比在未蒙面資料集上訓練的模型表現更好。
基於特徵的匹配使用演算法來分析臉部的可見部分（例如眼睛、前額）並將其與資料庫進行比較，這在很大程度上依賴於眼睛或眉毛的形狀等獨特特徵。然而，可見特徵越少，準確度就越低。當超過 30% 到 50% 的臉部被遮蔽時，大多數系統的性能都會顯著下降。
快速反應時間s系統也經常與極端角度或遮蔽作鬥爭，因為部分影像會帶來不確定性。姿勢標準化或多鏡頭分析（組合多個部分影像）等先進技術可以幫助緩解這些問題。
人工智慧模型，特別是卷積神經網路（CNN），在識別臉部部分模糊的個人方面顯示出了巨大的前景。這些模型旨在關注仍然可見的特定面部特徵，例如眼睛、眉毛和前額。他們還可以使用在部分蒙面面孔上訓練的資料集的上下文線索和模式。
然而，它們的成功率取決於障礙程度、影像品質和訓練資料集的穩健性。最先進的模型可以實現更高的精度，但在光線不足、運動、極端角度或重大障礙物的情況下仍面臨挑戰。
生成對抗網路 (GAN) 透過基於訓練資料生成合理的近似值來重建或推斷臉部的缺失部分，可以非常有效地協助部分模糊臉部的臉部辨識。這種重建允許其他識別系統分析完整或接近完整的臉部表徵。
然而，雖然 GAN 增強的系統可以提高辨識率，但其準確性取決於訓練資料的品質和人臉的遮蔽程度。如果濫用，GAN 也面臨引入偽影或誤報的風險。
然而，由於其專有性質和不同的實現方式，執法中使用 CNN 的臉部辨識系統的確切數量很難確定。然而，主要供應商喜歡,,， 和在全球執法機構廣泛採用的系統中採用基於 CNN 的演算法。
例如，Clearview AI 使用 CNN 來分析v 來自公共來源，即使是部分或低品質的圖像，目前尚不清楚Mangione 被識別後在社交媒體和其他在線公共來源上發現的大量照片是否包含在其資料庫中，也不知道其CNN 是否包含在內就能將他辨識為可能的配對對象。
總體而言，雖然 FRT 在解決眾多挑戰方面取得了長足進步，但性能可能會因特定係統和環境的不同而存在很大差異。
同時，關於臉部辨識和資料共享框架的討論在更廣泛的執法技術和隱私辯論的背景下繼續進行，並呼籲加強監管和培訓以解決隱私和公民權利問題。
美國立法或監管臉部辨識的努力仍有爭議。一些立法者和倡導團體以隱私問題和濫用的可能性為由，推動對某些用途進行更嚴格的限製或禁止。另一方面，其他人則主張更好地整合和使用這項技術來促進國家安全和預防犯罪，儘管這也經常遇到以隱私為中心的阻力。
在湯普森被謀殺以及 FRT 無法識別曼吉奧內的身份之後，預計這場爭論只會變得更加激烈——雙方都是如此。幾位聯邦執法官員私下表示，他們擔心會出現模仿者，特別是考慮到右翼和左翼（精英與小人物）對曼吉奧內所做的事情所激發的公眾支持程度令人驚訝。正如一位官員所描述的那樣，「這種相反的憤怒確實令人不安。我預計會出現某種政治反應，取消對「未來」使用臉部辨識的限制。
文章主題
||||||||||
