一份研究论文，研究了三种最著名的生物特征识别检测算法可能在实验室之外工作的情况既有直观又令人失望的结果。
三位马里兰州的科学家说，Google，Microsoft和Amazon软件在大图像数据集中很难检测到有意损坏的面孔。
尽管对于许多人来说，尽管AI功能的行业提升，但在生物识别研究中比其他人更容易检测到某些面孔。确实，似乎更容易从算法检测中隐藏了阳刚的面孔。
研究人员说他们开发了有史以来的第一个细节基准，以实现Amazon，Microsoft的Azure和Google的云平台如何在现实世界中。
来自四个数据集的图像，包括Adience，UTKFACE，MIAP和CCD，受到15种算法产生的损坏。施加的缺陷包括像素化，运动模糊，高斯噪声，雾，霜冻和JPEG压缩。
较轻的皮肤类型的女性呈现受试者的光线充足图像在面部检测中表现最好。较旧的男性呈现皮肤较深的受试者的人经常被认识到。
研究人员没有报告原因是什么原因。面对对抗性攻击或各种相机功能，没有对供应商的鲁棒性进行检查。他们也不研究如何训练算法。
通常，对MIAP数据集中男性呈现受试者的图像的决定比涉及女性呈递受试者的可能性要高20％。根据本文，UTKFACE数据集产生了涉及性别的最佳结果，在男性和女性之间统计上微不足道的差异。
总体而言，与Adience数据集中最小的两个组相比，使用最古老的两个人口组的图像被错误地检测到25％。
并且与许多生物识别测试结果一致，本文发现具有较轻的皮肤受试者的图像（基于有争议的图像菲茨帕特里克秤）平均相对损坏错误率为8.5％，深色皮肤的错误率为9.7％。
