Yüz Tanıma Algoritmaları COVID Maskesi Takarken Sizi Tanımlayabilir mi?

Pandemiden önce oluşturulan algoritmalar genellikle dijital olarak maskelenmiş yüzlerde daha az doğru performans gösterir.

Artık çoğumuz COVID-19’un yayılmasını azaltmak için yüzlerimizi kapattığımıza göre, yüz tanıma algoritmaları maske takan insanları ne kadar iyi tanımlıyor? Ulusal Standartlar ve Teknoloji Enstitüsü (NIST) tarafından yapılan bir ön araştırmaya göre cevap, büyük zorluk çekiyor. Test edilen 89 ticari yüz tanıma algoritmasının en iyisi bile, dijital olarak uygulanan yüz maskelerini aynı kişinin maskesiz fotoğraflarıyla eşleştirmede% 5 ile% 50 arasında hata oranlarına sahipti.

Sonuçlar, NIST’in Yüz Tanıma Satıcı Testi (FRVT) programından kısmen koruyucu maskelerle kaplanan yüzlerdeki yüz tanıma algoritmalarının performansı üzerine planlanan bir dizinin ilki olan NIST Kurumlararası Rapor (NISTIR 8311) olarak bugün yayınlandı.

NIST bilgisayar bilimcisi ve raporun yazarı Mei Ngan, “Pandeminin gelişiyle birlikte, yüz tanıma teknolojisinin maskeli yüzlerle nasıl ilgilendiğini anlamamız gerekiyor” dedi. “Pandemiden önce geliştirilen bir algoritmanın yüz maskesi takan deneklerden nasıl etkilenebileceğine odaklanarak işe başladık. Bu yazın ilerleyen saatlerinde, maskeli yüzler göz önünde bulundurularak kasıtlı olarak geliştirilen algoritmaların doğruluğunu test etmeyi planlıyoruz. “

NIST ekibi, her bir algoritmanın, bir fotoğrafın aynı kişinin farklı bir fotoğrafıyla karşılaştırıldığı “bire bir” eşleştirme yapabildiğini araştırdı. İşlev, genellikle bir akıllı telefonun kilidini açmak veya bir pasaportu kontrol etmek gibi doğrulama için kullanılır. Ekip, algoritmaları önceki FRVT çalışmalarında kullanılan yaklaşık 6 milyon fotoğraf üzerinde test etti. (Ekip, algoritmaların bir fotoğraftaki bir kişinin bilinen resimlerin veritabanındaki herhangi biriyle eşleşip eşleşmediğini belirlemek için kullanılan “bire çok” eşleştirme becerisini test etmedi).

Araştırma ekibi, orijinal fotoğraflara dijital olarak maske şekillerini uyguladı ve algoritmaların performansını test etti. Gerçek dünyadaki maskeler farklılık gösterdiğinden, ekip şekil, renk ve burun kapsama alanlarındaki farklılıkları içeren dokuz maske çeşidi buldu. Dijital maskeler siyah veya mavi cerrahi maske ile yaklaşık olarak aynı renkte açık maviydi. Şekiller arasında burnu ve ağzı kaplayan yuvarlak maskeler ve kullanıcının yüzü kadar geniş bir tip vardı. Bu daha geniş maskeler, burnu farklı derecelerde kaplayan yüksek, orta ve düşük varyantlara sahipti. Ekip daha sonra sonuçları algoritmaların maskelenmemiş yüzler üzerindeki performansıyla karşılaştırdı.

Ngan, “Sonuçlardan birkaç geniş sonuç çıkarabiliriz, ancak uyarılar var” dedi. “Bu algoritmalardan hiçbiri yüz maskelerini kullanacak şekilde tasarlanmadı ve kullandığımız maskeler gerçek değil dijital kreasyonlardır.”

Ngan, bu sınırlamalar sıkıca akılda tutulursa, çalışma, test edilen algoritmaların maskeli yüzler ve maskesiz yüzler üzerindeki performansını karşılaştırırken birkaç genel ders sağladığını söyledi.

Maskelenmiş yüzlere sahip algoritma doğruluğu, pano genelinde önemli ölçüde azaldı. Maskelenmemiş görüntüleri kullanarak, en doğru algoritmalar bir kişinin kimliğini doğrulamada yaklaşık% 0,3 oranında başarısız olur. Maskelenmiş görüntüler, bu en iyi algoritmaların başarısızlık oranını bile yaklaşık% 5’e çıkarırken, diğer pek çok yetkin algoritma zamanın% 20 ila% 50’si arasında başarısız oldu.
Maskelenmiş görüntüler daha sık olarak algoritmaların bir yüzü işleyememesine neden oluyordu, teknik olarak “kayıt veya şablon hatası” (FTE) olarak adlandırılıyordu. Yüz tanıma algoritmaları tipik olarak bir yüzün özelliklerini (örneğin boyutlarını ve birbirlerine olan mesafelerini) ölçerek ve ardından bu ölçümleri başka bir fotoğraftakilerle karşılaştırarak çalışır. FTE, algoritmanın bir yüzün özelliklerini ilk etapta etkili bir karşılaştırma yapacak kadar iyi çıkaramadığı anlamına gelir.
Bir maske ne kadar çok burnu kaplarsa, algoritmanın doğruluğu o kadar düşük olur. Çalışma, üç burun kapsama düzeyini araştırdı – düşük, orta ve yüksek – doğruluğun daha fazla burun kapsamı ile azaldığını buldu.
Yanlış negatifler artarken, yanlış pozitifler sabit kaldı veya mütevazı bir şekilde azaldı. Yüz tanımadaki hatalar, algoritmanın aynı kişinin iki fotoğrafını eşleştirmede başarısız olduğu “yanlış negatif” veya iki farklı kişinin fotoğrafları arasındaki eşleşmeyi hatalı olarak gösterdiği “yanlış pozitif” şeklinde olabilir. Yanlış pozitif oranlarındaki mütevazı düşüş, maskelerle tıkanmanın güvenliğin bu yönünü zayıflatmadığını gösteriyor.
Bir maskenin şekli ve rengi önemlidir. Algoritma hata oranları genellikle yuvarlak maskelerde daha düşüktü. Siyah maskeler ayrıca, cerrahi mavi olanlara kıyasla algoritma performansını düşürdü, ancak zaman ve kaynak kısıtlamaları nedeniyle ekip, rengin etkisini tam olarak test edemedi.
Rapor, Devam Eden Yüz Tanıma Satıcı Testi (FRVT) Bölüm 6A: COVID-19 öncesi algoritmaları kullanan yüz maskeleriyle yüz tanıma doğruluğu, her algoritmanın performansının ayrıntılarını sunar ve ekip çevrimiçi olarak ek bilgiler yayınladı.

Ngan, bu yazın ilerleyen saatlerinde planlanan bir sonraki turun, akılda yüz maskeleri ile oluşturulan algoritmaları test edeceğini söyledi. Gelecekteki çalışma turları bire çok aramaları test edecek ve sonuçları genişletmek için tasarlanmış diğer varyasyonları ekleyecektir.