Ícono del sitio La Neta Neta

Las máscaras faciales están frustrando la tecnología de reconocimiento facial

Las máscaras faciales están frustrando la tecnología de reconocimiento facial

James D. Morganimágenes falsas

  • Una nueva investigación del Instituto Nacional de Estándares y Tecnología (NIST) sugiere que las máscaras faciales están obstaculizando los sistemas de reconocimiento facial.
  • Debido a que las cubiertas protectoras oscurecen la mitad inferior de la cara, invalidan muchos de los resultados, lo que lleva a una tasa de error entre el cinco y el 50 por ciento.
  • El margen de error parece reducirse a la forma de la propia mascarilla.

    Cuando usa una mascarilla, reduce en gran medida las posibilidades de propagar cargas virales a las personas cercanas si tose, estornuda o incluso habla. En el proceso, incluso podría protegerse.

    Pero hay una consecuencia no deseada que proviene de usar máscaras faciales a raíz del COVID-19 (coronavirus): su máscara básicamente rompe los algoritmos de reconocimiento facial.

    📲 Pop Mech ilimitado.

    En un estudio preliminar publicado este mes, el Instituto Nacional de Estándares y Tecnología (NIST) encontró que entre 89 algoritmos comerciales de reconocimiento facial, los sistemas no lograron identificar a las personas que usaban máscaras faciales digitales entre el cinco y el 50 por ciento de las veces, en comparación con las imágenes de las mismas personas sin una máscara dibujada.

    “Con la llegada de la pandemia, necesitamos comprender cómo la tecnología de reconocimiento facial se ocupa de los rostros enmascarados”, dijo en una declaración preparada la autora del estudio, Mei Ngan, científica informática del NIST. “Comenzamos centrándonos en cómo un algoritmo desarrollado antes de la pandemia podría verse afectado por sujetos que usan mascarillas”.

    A decir verdad, no se necesita exactamente un científico informático para invalidar un algoritmo. Debido a que son solo conjuntos de instrucciones que una computadora debe seguir para realizar una operación, en este caso, identificar una cara, los algoritmos pueden volverse locos cuando los datos de entrada no se alinean con los datos de entrenamiento.

    Cuando un algoritmo de reconocimiento facial se programa explícitamente para identificar imágenes de personas mediante el examen de marcadores en la cara, como la distancia entre la boca y la nariz, inevitablemente fallará más a menudo cuando se enfrente a imágenes que oscurezcan esos mismos marcadores.

    Obtenga las mejores noticias y sugerencias tecnológicas que no puede encontrar en ningún otro lugar, ahora.

    Para probar esa hipótesis, los investigadores del NIST establecieron experimentos de emparejamiento “uno a uno”, en los que los algoritmos de reconocimiento facial deben emparejar una foto de una persona con una foto diferente de la misma persona. Este tipo de verificación es común en los teléfonos inteligentes, que usan la comparación uno a uno para ver si su rostro coincide con la foto que ha almacenado para usar con FaceID, por ejemplo.

    El NIST aplicó digitalmente formas de máscara a las fotos y probó el rendimiento de los algoritmos de reconocimiento facial desarrollados antes de que apareciera COVID-19. Debido a que las máscaras del mundo real difieren, el equipo ideó variantes que incluían diferencias en la forma, el color y la cobertura de la nariz.

    B. Hayes / NIST

    En particular, esto es no el tipo de ejercicio que puede identificar a un individuo en una multitud a partir de algún tipo de base de datos. Ese tipo de prueba se llama “uno a muchos” y es inherentemente más riguroso porque el algoritmo debe hacer coincidir una imagen de una cara con otra imagen de esa cara, pero también entre un conjunto de datos de muchas otras caras.

    Los investigadores del NIST establecieron el experimento para que 89 algoritmos de reconocimiento facial diferentes intentaran encontrar coincidencias basadas en una muestra de 6 millones de fotos. El equipo alteró digitalmente esas imágenes aplicando varios tipos de máscaras a los rostros de las imágenes originales; Debido a que las máscaras del mundo real son variadas, el equipo creó nueve ejemplos diferentes que variaban en forma, color y cobertura de la nariz.

    Este contenido se importa de {embed-name}. Es posible que pueda encontrar el mismo contenido en otro formato, o puede encontrar más información en su sitio web.

    Luego, los científicos verificaron qué tan bien los algoritmos podían hacer coincidir las caras en las fotos originales con las caras que se alteraron digitalmente para incluir una máscara. Encontraron algunos patrones generales:

    👀 En general, los algoritmos luchan por identificar caras cuando se aplican máscaras digitales. Los algoritmos más precisos no lograron identificar a un usuario que no usaba máscara solo el 0.3 por ciento del tiempo, pero cuando los investigadores aplicaron las máscaras, los mejores algoritmos fallaron alrededor del 5 por ciento de las veces, mientras que otros fallaron a tasas más altas entre el 20 y el 50 por ciento.

    👀 Es más probable que los algoritmos encuentren un error de “falla en el registro o la plantilla” (FTE) cuando una persona usa una máscara. Normalmente, los sistemas de reconocimiento facial toman medidas alrededor del rostro, como la distancia entre los ojos y la nariz, y las comparan con las medidas en otra foto. Los errores de FTE ocurren cuando un algoritmo no puede extraer los rasgos faciales de una persona de una imagen, lo que hace imposible realizar una comparación con otra foto.

    👀 Menos nariz = menos precisión. El estudio analizó tres niveles de cobertura de la nariz en las máscaras (bajo, medio y alto) y encontró que las máscaras con más cobertura de la nariz conducen a una mayor incidencia de errores.

    Hay algunas advertencias: este estudio tomó en consideración máscaras dibujadas digitalmente, no máscaras faciales reales. Además, los algoritmos se crearon antes de la pandemia, por lo que no se diseñaron explícitamente para hacer frente a rostros parcialmente ocultos por máscaras.

    Los investigadores deben trabajar más para verificar estos resultados. A finales de este verano, NIST planea probar la precisión de los algoritmos que las empresas intencionalmente desarrollado con rostros enmascarados en mente. El equipo también realizará pruebas de verificación de uno a varios para ver qué tan bien los sistemas de reconocimiento facial pueden hacer coincidir a un individuo enmascarado con una base de datos.

    Este contenido es creado y mantenido por un tercero y se importa a esta página para ayudar a los usuarios a proporcionar sus direcciones de correo electrónico. Es posible que pueda encontrar más información sobre este y contenido similar en piano.io

    Esta sección de comentarios es creada y mantenida por un tercero, y se importa a esta página. Es posible que pueda encontrar más información en su sitio web.


    Source link
    Salir de la versión móvil