وجوه ماستر التي يمكنها تجاوز أكثر من 40٪ من أنظمة التحقق من الهوية بالوجه

قام باحثون من إسرائيل بتطوير شبكة عصبونية قادرة على إنشاء “وجوه ماستر” – صور الوجه التي يمكن لكل منها التمثيل على عدة هويات. وتشير الدراسة إلى أنه من الممكن إنشاء مثل هذه “المفاتيح الرئيسية” لأكثر من 40٪ من السكان باستخدام فقط 9 وجوه تم إنشاؤها بواسطة شبكة StyleGAN Generative Adversarial Network (GAN) ، من خلال ثلاثة أنظمة رائدة لتعرف الوجه.

الورقة هي تعاون بين مدرسة بلافاتنيك للعلوم الحاسوبية ومدرسة الهندسة الكهربائية ، كلاهما في جامعة تل أبيب.

عند اختبار النظام ، وجد الباحثون أن وجهًا واحدًا تم إنشاؤه يمكنه فتح 20٪ من جميع الهويات في قاعدة بيانات Labeled Faces in the Wild المفتوحة المصدر في جامعة ماساتشوستس ، وهو مخزن مشترك يستخدم لتنمية واختبار أنظمة التحقق من الهوية بالوجه ، وقاعدة بيانات المرجع لأنظمة إسرائيلية.

workflow نظام إسرائيلي ، الذي يستخدم StyleGAN generator لتحديد وجوه ماستر بشكل متكرر. Source: https://arxiv.org/pdf/2108.01077.pdf

الطريقة الجديدة تحسن على ورقة مماثلة من جامعة سيينا ، التي تتطلب مستوى امتياز للوصول إلى إطار العمل للتعلم الآلي. من ناحية أخرى ، الطريقة الجديدة تستدل الميزات العامة من المواد المتاحة علنًا وتستخدمها لإنشاء سمات الوجه التي تعبر عن عدد كبير من الهويات.

تطوير وجوه ماستر

يتم استخدام StyleGAN في开始 هذه الطريقة تحت طريقة تحسين مربع أسود تركز (ليس من المستغرب) على بيانات ذات أبعاد عالية ، لأن من المهم العثور على أوسع وأكثر ميزات الوجه العامة التي ست满ي نظام التحقق.

ثم يتم تكرار هذه العملية بشكل متكرر لتشمل الهويات التي لم يتم ترميزها في الجولة الأولى. في ظروف اختبار متغيرة ، وجد الباحثون أنه من الممكن الحصول على مصادقة ل 40-60٪ مع صورة تم إنشاؤها فقط.

مجموعات متعاقبة من وجوه ماستر تم الحصول عليها في البحث عبر طرق بحث تغطية مختلفة ، بما في ذلك LM-MA-ES. يتم تدوين Mean Set Coverage (MSC ، مقياس للدقة) تحت كل صورة.

يستخدم النظام خوارزمية تطورية متصلة بخوارزمية تنبؤ عصبونية تقدر احتمالية أن تكون الوجه الحالي “مرشحًا” أفضل من نسبة مئوية من المرشحين الذين تم إنشاؤهم في الجولات السابقة.

ترشيح المرشحين المولدين في هيكل النظام الإسرائيلي.

LM-MA-ES

يستخدم المشروع خوارزمية Limited-Memory Matrix Adaptation (LM-MA-ES) التي تم تطويرها لمبادرة 2017 بقيادة مجموعة البحث حول التعلم الآلي لتصميم الخوارزميات ، وهي نهج مناسب للغاية لتحسين مربع أسود عالي الأبعاد.

توليد LM-MA-ES مرشحين بشكل عشوائي. على الرغم من أن هذا مناسب للغرض من المشروع ، إلا أنه يلزم مكون إضافي لاستنتاج أي الوجوه هي أفضل المرشحين للتحقق من الهوية عبر الهوية. لذلك أنشأ الباحثون “منبئ النجاح” تصنيفًا عصبونيًا لفرز فيضان المرشحين إلى أفضل وجوه مناسبة للمهمة.

منطق المنبئ الناجح المستخدم في مشروع التزوير الإسرائيلي لتعرف الوجه.

التقييم

تم اختبار النظام ضد ثلاثة واصفات وجه مبنية على CNN: SphereFace و FaceNet و Dlib ، كل هيكل نظام يحتوي على مقياس تشابه ووظيفة خسارة ، وهما مفيدان في التحقق من درجات دقة النظام.

منبئ النجاح هو شبكة عصبونية متقدمة تضم ثلاث طبقات متصلة بالكامل. يستخدم الطبقة الأولى من هذه الطبقات تعديل BatchNorm لضمان ثبات البيانات قبل التنشيط. تستخدم الشبكة ADAM كمحسّن ، مع معدل تعلم طموح يبلغ 0.001 عبر مجموعات من 32 صورة إدخال.

إخراج من ثلاثة هياكل.

تم تدريب جميع ثلاثة الخوارزميات على 26,400 مكالمة لوظيفة اللياقة باستخدام نفس مجموعة من بذور الخمس.

كان الباحثون قد أثبتوا في هذه النقطة أن عمليات التدريب الأطول لا تفيدها النظام ؛ بشكل فعال ، يبحث النهج الإسرائيلي عن استخلاص بيانات رئيسية من مرحلة مبكرة من تدريب النموذج ، حيث تم اكتشاف فقط الميزات الأعلى حتى الآن. ومن الجدير بالذكر أن هذا هو نوع من الهدية ، من حيث اقتصاد الإطار.

بعد أن أُثبتت النتائج الأساسية باستخدام بيئة تحسين بدون تدرج NeverGrad من فيسبوك ، تم تحليل النظام ضد عدد من الخوارزميات ، بما في ذلك علامات تجارية مختلفة من الخوارزمية التطورية.

وجد الباحثون أن نهجًا “جشعًا” يستند إلى Dlib يتفوق على منافسيه ، وينجح في إنشاء تسع وجوه ماستر قادرة على فتح 42-64٪ من مجموعة الاختبار. وتحسين نظام المنبئ الناجح هذه النتائج المفضلة للغاية.

تؤكد الورقة على أن “التحقق من الهوية بالوجه معرض للخطر بشكل كبير ، حتى لو لم تكن هناك معلومات حول الهوية المستهدفة” ، ويعتبر الباحثون مبادرتهم نهجًا صالحًا لمنهج التطفل الأمني لأنظمة التعرف على الوجه.