DeepTeeth: Hammashenkinen tunnistusjärjestelmä

Tutkijat Intiasta ovat ehdottaneet hammashenkinen tunnistusjärjestelmää turvallisten järjestelmien todennuksessa mobiililaitteissa. Järjestelmä, jota kutsutaan DeepTeeth:ksi, ylittää edellisten yritysten esteet, kuten liian pitkän koulutusajan tai korkeat tai epärealistiset koulutusvaatimukset, ja saavuttaa ilmoitetun 100 %:n tarkkuusasteen.

Se on suunniteltu erityisesti niukkojen mobiiliympäristöjen ja käyttäjien tunnistamistilanteiden tarpeisiin, eikä niinkään perinteiseen forensiseen analyysiin.

Uusi esitietojulkaisu Birla Institute of Technology and Science Pilani at Rajasthanin tutkijoilta käyttää vain 75×75 pikselin kokoinen kuvatieto, ja se on päästä-päähän vähäinen framework, jolla on vähäiset paikalliset resurssitarpeet edellisiin hammasperäisiin koneoppimisen tunnistusjärjestelmiin verrattuna.

Ehdotettu käyttö DeepTeeth-pohjaisessa todennuksessa. Lähde: https://arxiv.org/pdf/2107.13217.pdf

Hampaat tunnisteina

Vaikka hampaat voivat näyttää volatiileilta kasvonpiirteiltä johtuen useista kirurgisista puuttumisista muihin kasvonrakennus- tai kosmeettisiin leikkauksiin verrattuna, tutkimus toteaa, että pitkällä aikavälillä ja keskimäärin ne säilyvät kasvojen tunnistusominaisuuksien keskipisteenä

Luultavasti tunnetuin esimerkki hampaiden kestävyydestä on siinä, kuinka usein ne käytetään kuolemanjälkeisessä tunnistamisessa, kun muu kudos on tuhoutunut tulen tai muiden traumaattisten tapahtumien seurauksena. Lisäksi hampaat ovat viimeinen kehon osa, joka mätänee kuoleman jälkeen.

Siinä, missä tietokannat tällaiselle oikeudelliselle hammastutkimukselle ovat erikoistuneita ja vaativat erityistä skannauslaitteistoa (yleensä röntgenkomponentilla), DeepTeeth vaatii vain sarjan yksinkertaisia “hammasitsejä” perustason tunnistamiseen.

Lisäksi tutkimuksen tekijät totesivat, että heidän hampaisiin perustuva tunnistuskehyksensä on vastustuskykyinen sellaisille huijaushyökkäyksille, joita on kohdistettu sormenjäljen ja kasvon tunnistusmenetelmille.

Normalisoidut kiinnostuksen alueen (RoI) kuvat ja niiden vastaavat parannukset automaattisessa DeepTeeth-työvirrassa.

Tallennus, prosessointi ja koulutus

DeepTeeth-järjestelmä toimii Android-sovelluksessa, jossa aihe ottaa useita valokuvia. Hampaista otetut valokuvat voidaan ottaa eri kulmista ja eri valaistusolosuhteissa, ja ne prosessoidaan paikallisesti myöhempää todennusta varten.

Jotta voidaan luoda ydin koulutusaineisto, tutkijat keräsivät hampaiden kuvia 51 vapaaehtoiselta. Vapaaehtoiset käyttivät Android-sovelluksen betaversiota itse kuvien ottamiseen. Sovellus tunnistaa ja lokaloi hampaat, joita se etsii. Jokainen käyttäjä lähetti neljä esimerkkikuvaa neljän päivän kuluessa.

Tiedot testattiin Siamese-verkkoon, jossa se verrattiin vanhempaan menetelmään – Googleen vuoden 2015 FaceNet. Koulutus käytti 16:n kokoa Adam-optimoinnilla. Malli koulutettiin Dell Inspiron-15-5577:llä, jossa oli Nvidia GTX 1050 -näytönohjain, ja koulutus kesti vajaa 25 minuuttia 256-ulotteisen piirtevektorin luomiseen.

DeepTeeth-lähestymistapa ohjaa leikattuja raakakuvia parannuskehyksestä seuraavaa piirteiden erottelua varten ennen laitteen päässä olevan yleisen esikoulutetun paikallisen verkon käsittelyä.

Vaikka aluksi otetut ja leikattut hampaat mittoja 1416 x 510 pikseliä ovat kömpelöitä jopa palvelimella tapahtuvalle koneoppimisen koulutukselle, pienemmät harmaasävyiset kuvat, jotka saadaan näistä kuvista, kulkevat järjestelmän läpi, ja suuremmat tiedot hylätään.

Häviöfunktio, jota käytetään luokitteliverkon kouluttamiseen, on SoftMax, joka on kevyt ja tarpeeksi kestävä kohdekäyttöympäristössä.

DeepTeethin häviöfunktioiden arkkitehtuuri.

Tulokset

Tutkijat käyttivät viittä erillistä suorituskykymittaria DeepTeethin arvioimiseen ja totesivat, että järjestelmä toimii optimaalisesti vain 75 pikselin mittaisella syötöllä, saavuttaen 100 %:n onnistumisasteen.

Aiemmat yritykset käyttää hampaita biometrisenä tunnisteena sisälsivät vuoden 2008 tutkimuksen Monitapaista biometristä todennusta hampaiden kuvan ja äänen avulla mobiiliympäristössä, joka lisäsi hampaat vain ääniperusteisen tunnistuksen varamuodoksi.

Toinen ehdokas, vuodelta 2020, oli SmileAuth-kehykselle esittänyt tutkimusryhmä Hunanin yliopistosta Kiinassa, joka teki yhteistyötä Michiganin osavaltion yliopiston ja Massachusettsin yliopiston kanssa. Kokeelliset tulokset viittasivat siihen, että SmileAuth-järjestelmä saavutti jopa 99,74 %:n tarkkuusasteen. Järjestelmä käytti satunnaisen metsän menetelmää piirteiden erotteluun.

Tutkijat väittävät, että DeepTeeth parantaa kaikkia aiempia yrityksiä tässä biometrian erikoisalalla ja vie hampaiden tunnistamisen oikeudellisen sfäärin ulkopuolelle kasvojen perusteella tapahtuvan tunnistuksen mahdollisena vaihtoehtona.

d saavuttaa jopa 99,74 %:n tarkkuusasteen. Järjestelmä käytti satunnaisen metsän menetelmää piirteiden erotteluun. Tutkijat väittävät, että DeepTeeth parantaa kaikkia aiempia yrityksiä tässä biometrian erikoisalalla ja vie hampaiden tunnistamisen oikeudellisen sfäärin ulkopuolelle kasvojen perusteella tapahtuvan tunnistuksen mahdollisena vaihtoehtona.