การเป็นตัวแทนใบหน้าที่เรียนรู้อย่างลึกซึ้งช่วยให้ความสำเร็จของระบบการจดจำใบหน้าในปัจจุบันในปัจจุบัน
แม้จะมีความสามารถในการเป็นตัวแทนของระบบการจดจำใบหน้าเพื่อเข้ารหัสเอกลักษณ์ของบุคคล แต่งานล่าสุดก็แสดงให้เห็นว่าข้อมูลจำนวนมากถูกเก็บไว้ภายในพวกเขา-
การสัมมนาทางเว็บที่จัดโดยสมาคมยุโรปเพื่อชีวภาพ (EAB)และนำโดย Philipp Terhörstนักวิทยาศาสตร์การวิจัยที่ Fraunhofer IGD ตรวจสอบปัญหาเหล่านี้ในวันอังคาร
การพูดคุยแสดงให้เห็นว่ามีแอตทริบิวต์ที่อ่อนนุ่มจำนวนมากที่ฝังอยู่ในเทมเพลตไบโอเมตริกซ์ใบหน้าและคุณลักษณะเหล่านี้มักจะมีความสัมพันธ์ที่แข็งแกร่งประสิทธิภาพการตรวจสอบใบหน้า
เหตุการณ์ถูกแบ่งออกเป็นสามส่วนแต่ละครั้งตอบคำถามที่แตกต่างกัน
ข้อมูลใดถูกเก็บไว้ในเทมเพลตใบหน้า?
จากข้อมูลของTerhörstข้อมูลหลักที่เก็บไว้ในเทมเพลตไบโอเมตริกซ์ใบหน้า ได้แก่ ข้อมูลประชากรลักษณะของภาพและลักษณะทางสังคม
การวิจัยที่จัดทำโดยนักวิทยาศาสตร์ Fraunhofer IGD วิเคราะห์เทมเพลตใบหน้าสองตัวเกี่ยวกับคุณสมบัติ 113 รายการและสรุปว่า 74 ของพวกเขาสามารถทำนายได้ง่ายโดยเฉพาะอย่างยิ่งที่ไม่ถาวร
ข้อมูลที่เก็บไว้ในเทมเพลต Facenet (2015): Credit Terhörstและทุกคน
Terhörstประสบความสำเร็จโดยการฝึกอบรมตัวแยกประเภทแอตทริบิวต์ขนาดใหญ่ (MAC) เพื่อทำนายคุณลักษณะหลายอย่างร่วมกันเช่นรูปร่างใบหน้าประเภทเคราและไม่ว่าแต่ละคนจะสวมใส่ลิปสติกหรือไม่
อัลกอริทึมไบโอเมตริกซ์ที่ทดสอบในระหว่างการทดลองคือ LFW และ Celeba ทีมของTerhörstวิเคราะห์ภาพ 13,000 ภาพจากบุคคลมากกว่าห้าพันคนและมีคำอธิบายประกอบแอตทริบิวต์สูงถึง 73 รายการจาก LFW การทดสอบ Celeba ได้พิจารณาภาพ 200,000 ภาพจากคนดังมากกว่าหมื่นคนและคุณลักษณะไบนารี 40 รายการ
ข้อมูลที่เก็บไว้ใน Arcface (2019) เทมเพลต: เครดิต: Terhörstและทุกคน
การทดสอบได้ดำเนินการผ่านทาง Facenet และ Arcface Embeddings และแสดงให้เห็นว่าหัวและลักษณะทางสังคมเป็นวิธีที่ง่ายที่สุดในการทำนาย
เรขาคณิตใบหน้าจมูกและคุณภาพของภาพก็สามารถคาดเดาได้เช่นกันในขณะที่ผิวหนังปากและสิ่งแวดล้อมเป็นลักษณะที่ยากที่สุดในการทำนาย
มันเกี่ยวข้องกับความเป็นธรรมในการจดจำใบหน้าอย่างไร?
เพื่อประเมินอคติเหล่านี้Terhörstจึงดำเนินการวิเคราะห์อิทธิพลของคุณลักษณะที่อ่อนนุ่ม-ไบโอเมตริกต่อประสิทธิภาพของอัลกอริทึมการจดจำใบหน้าโดยเฉพาะอย่างยิ่ง Arcface และ Facenet
ในการทำเช่นนั้นทีมนักวิทยาศาสตร์ใช้ฐานข้อมูลชื่อ Maad-Face ถือภาพใบหน้าจำนวนมากซึ่งมีคำอธิบายประกอบคุณลักษณะที่มีคุณภาพสูงและมีคุณภาพสูง
สิ่งเหล่านี้รวมกลุ่มควบคุมบวก/ลบหกกลุ่มสำหรับแต่ละแอตทริบิวต์ซึ่งถูกสร้างขึ้นโดยการเลือกตัวอย่างจากฐานข้อมูลแบบสุ่ม กลุ่มสังเคราะห์เหล่านี้มีจำนวนตัวอย่างเท่ากันกับคู่บวก/ลบ
“ ตัวอย่างเช่น” Terhörstอธิบายว่า“ ถ้าเรามีภาพตัวอย่างหนึ่งหมื่นภาพที่มีแว่นตาและเก้าหมื่นโดยไม่ต้องใช้สำหรับกลุ่มควบคุมเชิงบวกเราจะมองหากลุ่มตัวอย่างที่เลือกแบบสุ่มและกลุ่มควบคุมเชิงลบที่เลือกแบบสุ่มเก้าสิบหมื่น”
ผลของการวิเคราะห์อัลกอริทึมการจดจำใบหน้าทั้งสองผ่านกลุ่มควบคุมแสดงให้เห็นว่าในแง่ของข้อมูลประชากรวัยกลางคนอาวุโสสีขาวและชายแสดงอัตราความแม่นยำในการรับรู้ที่สูงกว่าเด็กเอเชียดำและหญิง
เมื่อคุณลักษณะที่เกี่ยวข้องกับทัศนวิสัยมีความกังวลหน้าผากที่มองเห็นได้อย่างเต็มที่เส้นผมที่ลดลง, หัวล้าน, คนที่ไม่สวมใส่คืออัตราความแม่นยำสูงกว่าผู้ที่มีหน้าผากที่ถูกกีดขวาง, แว่นตาและผมที่เป็นเกลียว
คุณลักษณะชั่วคราวเช่นหมวกต่างหูลิปสติกและแว่นตายังช่วยลดความแม่นยำของอัลกอริทึมการจดจำใบหน้าในขณะที่คิ้วโค้ง, จมูกใหญ่หรือแหลม, คิ้วเป็นพวง, คางคู่และโหนกแก้มสูง
อัลกอริทึมทั้งสองก็ทำคะแนนได้ดีขึ้นด้วยใบหน้าที่ยิ้มแย้มและปากที่ปิดซึ่งตรงข้ามกับการแสดงออกที่ไม่เป็นกลางของแต่ละบุคคล จากข้อมูลของTerhörstนี่อาจเป็นเพราะความจริงที่ว่าภาพจำนวนมากจากฐานข้อมูลมาจากคนดังที่ยิ้มแย้ม
อคติเพิ่มเติมถือว่าสีผมและสีตาของผู้ใช้และไม่ว่าจะมีเคราหรือไม่
อคติในการจดจำใบหน้าจะลดลงได้อย่างไร?
การรู้ข้อมูลที่เข้ารหัสในเทมเพลตใบหน้าอาจช่วยพัฒนาได้โซลูชั่นการกระตุ้นอคติTerhörstอธิบายดำเนินการไปยังส่วนที่สามของการสัมมนาผ่านเว็บ
อย่างไรก็ตามตามที่นักวิทยาศาสตร์งานก่อนหน้านี้ในสาขานี้จำเป็นต้องใช้ป้ายกำกับของคุณลักษณะที่เกี่ยวข้องกับอคติก่อนและสามารถลดอคติที่เฉพาะเจาะจงเท่านั้น
การกระทำเหล่านี้ยังเป็นที่ทราบกันดีว่าการลดประสิทธิภาพโดยรวมของอัลกอริทึมการจดจำใบหน้ารวมถึงความยากลำบากในการรวมเข้ากับระบบที่มีอยู่
ทางเลือกที่เป็นไปได้สำหรับระบบดั้งเดิมคือการทำให้คะแนนเป็นมาตรฐาน (FNS) เทคนิคการอธิบายTerhörstสามารถทำงานบนข้อมูลที่ไม่มีป้ายกำกับและลดอคติของต้นกำเนิดที่ไม่รู้จักได้อย่างมีประสิทธิภาพ
FNS สามารถปรับปรุงประสิทธิภาพของระบบการจดจำใบหน้าได้อย่างมากและสามารถรวมเข้ากับระบบที่มีอยู่ได้อย่างง่ายดาย
วิธีการทำงานของ FNS เครดิต: Terhörstและทุกคน
Terhörstสรุปเหตุการณ์โดยรับคำถามจากผู้ชม
การสัมมนาผ่านเว็บเป็นส่วนหนึ่งของซีรี่ส์ EAB Virtual Events บนความยุติธรรมทางประชากรในระบบไบโอเมตริกซ์การลงทะเบียนยังคงมีอยู่สำหรับไฟล์กิจกรรมในวันที่ 15 และ 30 มีนาคมสำหรับสมาชิก EAB และผู้ที่ไม่ได้เป็นสมาชิกพร้อมส่วนลดสำหรับสมาชิก
หัวข้อบทความ
อัลกอริทึม-อาร์คเฟซ-ข้อมูลไบโอเมตริกซ์-การระบุไบโอเมตริกซ์-เทมเพลตไบโอเมตริกซ์-ไบโอเมตริกซ์-การวิจัยทางชีวภาพ-ชุดข้อมูล-ความยุติธรรมทางประชากรศาสตร์-คนที่มีความสุข-สมาคมชีวภาพแห่งยุโรป-หน้า-การจดจำใบหน้า-การฝึกอบรม
