Käte kasutamine biomeetrilise identifikaatorina kriminaalvideo kohtuekspertiisis

Ühendkuningriigi teadlased on välja töötanud masinõppe biomeetrilise süsteemi, mis suudab tuvastada isikuid nende käte kuju järgi. Töö eesmärk on aidata kurjategijaid tuvastada, eriti nende seksuaalkurjategijate puhul, kes on oma kuriteod registreerinud, kus käeteave on sageli ainus saadaolev biomeetriline signaal.

. paber, pealkirjaga Käepõhine isikutuvastus, kasutades globaalset ja osateadlikku süvafunktsioonide esitusõpetja pakub välja uue ML-raamistiku, mida nimetatakse globaalseks ja osateadlikuks võrguks (GPA-Net).

GPA-Netis saadakse kaks erinevat 3D-tensorit (globaalne ja lokaalne) lähtekujutise suunamisel läbi virnastatud konvolutsioonikihtide. ResNet50 magistraalvõrk. Iga analüütiline tee ennustab identiteeti. Allikas: https://arxiv.org/pdf/2101.05260.pdf

GPA-Net loob konvolutsioonikihile lokaalseid ja globaalseid harusid, et luua selged tuvastussüsteemid nii kogu käte jaoks (vasak ja parem käsi on selgelt äratuntavad, erinevalt mõnest varasemast katsest selles sektoris) ja osad käe, mis iseenesest võivad toimida söötja lippudena kogu käe paremaks tuvastamiseks.

Uuring pärineb Lancasteri ülikooli arvuti- ja kommunikatsioonikoolist ning seda juhib Nathanael L. Baisa, praegu Leicesteri De Montforti ülikooli abiprofessor.

Käed kui ühtsed biomeetrilised indikaatorid

Teadlased märgivad, et käed pakuvad järjepidevat erinevate biomeetriliste tunnuste kogumit vähem teemat kas vanusest, maskeerimiskatsetest või muudest moonutavatest teguritest (nagu näoilmete varieerumine näo jäädvustamise korral), mis võivad mõjutada populaarsemate indikaatorsüsteemide, sealhulgas kõnnituvastuse ja näotuvastuse usaldusväärsust.

Kuigi turvasüsteemidel on välja mõeldud mis kasutavad infrapunapildi abil käte veenide mustreid, ei muutu see tõenäoliselt kuritegudes kasutatavate salvestusseadmete jaoks kättesaadavaks. Praegused uuringud keskenduvad pigem tavaliste digikaamerate abil tehtud jäädvustustele, mis tavaliselt on sisseehitatud mobiilseadmetesse, kuid seksuaalkuritegude puhul saadakse sageli tõenäolisemalt "rumalate" kaameratega, mis on vähem kaldu võrguteavet jagama.

Irooniline, et peopesajälg, mis on viimase viiekümne aasta populaarseim ulmefilmides kasutatud biomeetriline meetod, ei ole nautinud futuristide ootuspärast kasutuselevõttu, võib-olla seetõttu, et sõrmejälgede ID-süsteemid nõuavad väiksemaid ja odavamaid tuvastamispindu. Fujitsu tootis aga a reklaamuuring 2016. aastal väites, et peopesa veenide mustrituvastus on turvasüsteemide jaoks parim biomeetriline tööriist.

Andmekogumid ja testimine

GPA-Net on teadlaste sõnul esimene täielikult koolitatud süsteem, mis proovib käte tuvastamist. Selle võrgu keskne selgroog põhineb ImageNeti kaudu koolitatud ResNet50-l. Need valiti nende võime tõttu hästi toimida erinevatel platvormidel, sealhulgas Google'i algus (a GoogleNet moodul, mis lõpetas areneva konvolutsioonilise närvivõrguga, mis on spetsialiseerunud objektide tuvastamisele ja pildianalüüsile).

GPA-Neti raamistikku testiti kahes andmekogumis – 2016 11k käed set, koostöö Kanada ja Egiptuse teadlaste vahel; ja Hongkongi polütehniline ülikool Käe seljaosa (HD) andmestik.

Detail raamatust „Isiku tuvastamine, kasutades peopesa seljapinna väikeseid sõrmenukkide mustreid”, keskendudes sõrmenuki tuvastamisele.

11k andmestik sisaldab 190 identiteediobjekti, sealhulgas mitmesuguseid metaandmeid ID, vanuse, nahavärvi, soo ja muude tegurite kohta. Teadlased jätsid välja kõik ehteid sisaldanud pildid, kuna need võivad paratamatult lõppeda häirivate kõrvalekalletega. Samuti jätsid nad HD-andmestikust välja pildid, millel puudus piisav selgus, kuna ID sobitamine on tundlikum sektor kui kujutise süntees ja varjatud andmed on suurem oht.

GPA-Net käitati PyTorchi süvaõppe raamistikus ühel NVIDIA GeForce RTX 2080 Ti GPU-l koos 11 GB VRAM-iga. Mudelit koolitati kasutades ristentroopia kaduja minipartii Stochastic Gradient Descent (SGD) optimeerija. Treening toimus üle 60 epohhi algse õppimiskiirusega 0.02, seejärel haldas õppimiskiiruse planeerija, mille iga 0.1 epohhi kohta oli sumbumistegur 30 – see aeglustab tõhusalt treenimist, kuna suuremõõtmelised funktsioonid kinnistuvad kiiresti ja süsteem peab seejärel kauem aega kulutama. andmete läbimine täpsemate üksikasjade saamiseks.

Hindamine viidi läbi kumulatiivse sobituskarakteristiku abil (CMC) mõõdik keskmise keskmise täpsusega (mAP).

Uurijad leidsid, et GPA-Net edestab ResNet50 konkureerivaid meetodeid 24.74. järgu täpsuse osas 1% ja mAP-i puhul 37.82%.

GPA-Net süsteemi testimise kvalitatiivsed tulemused. Ülevalt alla ridadesse on 11k komplekti parempoolsed seljatuvastused, sama vasak dorsaal, sama parem peopesa ning 11k ja HD andmekogumi vasak peopesa. Rohelised ja punased piirdekastid tähistavad õigeid ja valesid vasteid.

Uurijad leiavad, et meetodil on "tugev potentsiaal raskete kuritegude toimepanijate kindlaks tuvastamiseks".