‘Mistrovská Obličejová Rozpoznání’ Která Může Obelstít Více Než 40% Systémů Rozpoznávání Obličejů

Výzkumníci z Izraele vyvinuli neuronovou síť schopnou generovat ‘mistrovská’ obličeje – obličejové obrázky, které jsou každá schopná napodobit více identit. Práce naznačuje, že je možné generovat takové ‘mistrovské klíče’ pro více než 40% populace pomocí pouze 9 syntetizovaných obličejů vytvořených pomocí StyleGAN Generative Adversarial Network (GAN), prostřednictvím tří předních systémů rozpoznávání obličejů.

Článek je spoluprací mezi Blavatnik School of Computer Science a school of Electrical Engineering, obě na Tel Aviv University.

Při testování systému výzkumníci zjistili, že jeden generovaný obličej mohl odemknout 20% všech identit v University of Massachusetts’ Labeled Faces in the Wild (LFW) open source databázi, běžnou repozitář používaný pro vývoj a testování systémů rozpoznávání obličejů, a referenční databázi pro izraelský systém.

Izraelský systémový workflow, který používá StyleGAN generátor k iterativnímu hledání ‘mistrovských obličejů’. Source: https://arxiv.org/pdf/2108.01077.pdf

Nová metoda zlepšuje podobný nedávný článek z University of Siena, který vyžaduje privilegovaný přístup k frameworku strojového učení. Na rozdíl od toho nová metoda odvozuje obecné rysy z veřejně dostupných materiálů a používá je k vytvoření obličejových rysů, které pokrývají obrovské množství identit.

Evolvující Mistrovská Obličejová Rozpoznání

StyleGAN je inicializován v tomto přístupu pod černou skříňkovou optimalizační metodou zaměřenou (nečekaně) na vysoké dimenzionální data, protože je důležité najít nejširší a nejvíce obecné obličejové rysy, které uspokojí systém rozpoznávání.

Tento proces je pak opakovaně opakován, aby zahrnoval identity, které nebyly zakódovány v počátečním průchodu. V různých testovacích podmínkách výzkumníci zjistili, že bylo možné získat autentizaci pro 40-60% s pouze devíti generovanými obrázky.

Pořadí ‘mistrovských obličejů’ získaných ve výzkumu napříč různými metodami hledání pokrytí, včetně LM-MA-ES. Průměrná sada pokrytí (MSC, metrika pro přesnost) je uvedena pod každým obrázkem.

Systém používá evoluční algoritmus spojený s neuronovým prediktorem, který odhaduje pravděpodobnost aktuálního ‘kandidáta’ lépe než p-percentil kandidátů generovaných v předchozích průchodech.

Filtrování generovaných kandidátů v architektuře izraelského systému.

LM-MA-ES

Projekt používá Limited-Memory Matrix Adaptation (LM-MA-ES) algoritmus vyvinutý pro iniciativu z roku 2017 vedenou Research Group on Machine Learning for Automated Algorithm Design, přístup, který je dobře přizpůsoben pro vysoké dimenzionální černou skříňkovou optimalizaci.

LM-MA-ES generuje kandidáty náhodně. Ačkoli je to vhodné pro záměr projektu, je zapotřebí další komponenta, aby se určilo, které obličeje jsou nejlepší kandidáti pro autentizaci napříč identitami. Proto výzkumníci vytvořili ‘Success Predictor’ neuronový klasifikátor, aby prosíval proud kandidátů do nejvhodnějších obličejů pro úkol.

Racionální Success Predictoru použitý v izraelském projektu rozpoznávání obličejů.

Evaluace

Systém byl testován proti třem CNN-založeným face deskriptorům: SphereFace, FaceNet a Dlib, každý systémový architektura obsahuje podobnostní metriku a ztrátovou funkci, které jsou užitečné pro validaci systémových skóre přesnosti.

Success Predictor je feed-forward neuronová síť skládající se ze tří plně propojených vrstev. První z nich používá BatchNorm regularization k zajištění konzistence dat před aktivací. Síť používá ADAM jako optimalizátor, s ambiciózní učící sazbou 0,001 přes dávky 32 vstupních obrázků.

Výstup z tří architektur.

Všichni tři algoritmy testované byli trénováni po 26 400 fitness funkce volání pomocí stejné sady pěti semen.

Výzkumníci již v tomto bodě zjistili, že delší tréninkové procesy neprospěly systému; efektivní izraelský přístup se snaží odvodit klíčová data z rané fáze modelového tréninku, kde byly dosud rozpoznány pouze nejvyšší rysy. Je třeba poznamenat, že toto je něco jako dar, pokud jde o ekonomiku frameworku.

Po stanovení základních výsledků s Facebookovým Python-založeným NeverGrad gradient-free optimalizačním prostředím, systém byl profilován proti několika algoritmům, včetně různých značek Differential Evolution heuristiky.

Výzkumníci zjistili, že ‘žadný’ přístup založený na Dlib překonal své konkurenty, podařilo se mu vytvořit devět mistrů obličejů schopných odemknout 42%-64% testovací datové sady. Aplikace systému Success Predictor dále zlepšila tyto velmi příznivé výsledky.

Článek tvrdí, že ‘obličejová autentizace je extrémně zranitelná, i když není k dispozici žádná informace o cílové identitě’, a výzkumníci považují svou iniciativu za platný přístup k bezpečnostní metodě pro systémy rozpoznávání obličejů.