在面部识别中,你的面部特征到底包含哪些信息?

   绕波特        

尽管面部识别系统表示具有编码个人身份的能力,但是,最近的工作表明,其中存储了很多信息。由欧洲生物识别协会(EAB)组织,由Fraunhofer IGD研究科学家PhilippTerhörst研究了这些问题。


在面部识别中,你的面部特征到底包含哪些信息?


面部生物识别模板中嵌入了多少软生物特征,并且这些属性通常与面部验证性能具有很强的相关性。


该事件分为三个部分,每个部分回答一个不同的问题。


脸部模板中存储了什么信息?


根据Terhörst所说,存储在面部生物识别模板中的主要信息包括人口统计,图像特征和社会特征。


由弗劳恩霍夫(Fraunhofer)IGD科学家进行的研究分析了涉及113个属性的两个面部模板。


Terhörst通过训练大量的属性分类器(MAC)来共同预测多个属性,例如面部形状,胡须类型以及个人是否涂有口红,来实现这一目标。


在面部识别中,你的面部特征到底包含哪些信息?


实验期间测试的生物特征识别算法是LFW和CelebA。Terhörst的团队分析了来自五千多人的一万三千张图像以及来自LFW的多达73个属性注释。CelebA测试考虑了来自一万多个名人的40万个图像和40个二进制属性。


通过FaceNet和ArcFace嵌入进行了测试,结果表明,头部姿势和社交特征最容易预测。


面部的几何形状,鼻子和图像质量等也是可以预测的,而皮肤,嘴巴和环境则是最难预测的特征。


它与面部识别的公平性有何关系?


为了评估这些偏差,Terhörst随后着手分析软生物学特性对面部识别算法(尤其是ArcFace和FaceNet)的性能的影响。


为此,科学家团队使用了名为MAAD-Face的数据库,其中包含大量的面部图像,并具有多个高质量的属性注释。


这些包括针对每个属性的六个阳性/阴性对照组,这些对照组是通过从数据库中随机选择样本创建的。这些合成组的样本数量与阳性/阴性样本的数量相同。


如果我们有一万个带有眼镜的样本图像,而有九万个没有眼镜的样本图像,那么对于阳性对照组,我们只会寻找随机选择的一万个样本,而对于阴性对照组,我们会随机选择九万个样本


通过对照组分析这两种面部识别算法的结果表明,就人口统计学而言,中年、老年人、白人和男性个体的识别准确率要高于年轻、亚洲、黑人和女性个体。


考虑到与能见度相关的属性,前额完全可见,发际线后退,秃顶,不戴眼镜的人比受阻的前额、刘海、眼镜和卷发的人准确率更高。


帽子、耳环、口红和眼镜等临时属性也降低了面部识别算法的精度,而拱形眉毛、大或尖的鼻子、浓密的眉毛、双下巴和高骨高则有助于提高准确率。


与个人的非中立表情相反,这两种算法在笑脸和闭嘴时也得分更高。根据Terhörst的说法,这可能是由于来自数据库的大量图像来自名人。


其他偏见还考虑了使用者的头发和眼睛的颜色,以及他们是否留着胡须。


在面部识别中,你的面部特征到底包含哪些信息?


如何减轻面部识别的偏见?


Terhörst解释说,了解人脸模板中的编码信息可能有助于开发缓解偏见的解决方案,然后继续进行网络研讨会的第三部分。


然而,据这位科学家称,该领域的先前工作需要事先标记与偏差相关的属性,并且只能减轻特定的偏差。


据报道,还已知这些动作会降低面部识别算法的整体性能,并且在集成到现有系统中时会遇到困难。


传统系统的一种可能替代方法是公平分数归一化(FNS)。Terhörst解释说,该技术可以对未标记的数据进行操作,并有效缓解未知来源的偏差。


据称,FNS还可以显着改善面部识别系统的性能,并且可以轻松地集成到现有系统中。


最新评论(0)条评论
不吐不快,我来说两句

还没有人评论哦,抢沙发吧~

相关新闻推荐