जेपीईजी संपीड़न गैर-कॉकेशियन चेहरों के लिए चेहरा पहचान त्रुटि दर को बढ़ाता है, अध्ययन में पाया गया

यूके से एक नए अध्ययन में निष्कर्ष निकाला गया है कि जेपीईजी छवियों में संपीड़न तकनीकों का चेहरा पहचान प्रणालियों की प्रभावशीलता पर प्रतिकूल प्रभाव पड़ सकता है, जिससे ऐसी प्रणालियां गैर-कॉकेशियन व्यक्ति की पहचान करने में अधिक गलतियां कर सकती हैं।

इस पत्र में कहा गया है:

‘व्यापक प्रयोगात्मक सेटअप के माध्यम से, हम यह प्रदर्शित करते हैं कि सामान्य संपीड़न दृष्टिकोण चेहरा पहचान प्रदर्शन के लिए विशिष्ट नस्लीय प्रकार वर्गों जैसे गहरे त्वचा टोन (34.55% तक) के लिए अधिक नकारात्मक प्रभाव डालते हैं।’

परिणाम यह भी संकेत देते हैं कि क्रोमा सब्सैंपलिंग, जो चेहरे की छवि के खंडों में रंग जानकारी (चमक जानकारी के बजाय) को कम करता है, कई परीक्षण डेटासेट में गलत मिलान दर (एफएमआर) को बढ़ाता है, जिनमें से अधिकांश कंप्यूटर विजन के लिए मानक रिपॉजिटरी हैं।

विभिन्न दरों पर स्रोत छवि पर क्रोमा सब्सैंपलिंग संचालन, जिसमें विवरण को संरक्षित करने और उप-टोन को एक दूसरे में मिलाने की सीमा का स्पष्ट प्रभाव है। कृपया ध्यान दें कि यह छवि स्वयं संपीड़न के अधीन हो सकती है, और सटीक रिज़ॉल्यूशन के लिए स्रोत पत्र देखें। स्रोत: https://arxiv.org/pdf/2208.07613.pdf

क्रोमा सब्सैंपलिंग को जेपीईजी संपीड़न में एक अतिरिक्त आर्थिक उपाय के रूप में लागू किया जाता है क्योंकि लोग रंग-बैंड की जटिलता और सीमा में कमी को कम महसूस कर सकते हैं, जबकि कंप्यूटर दृष्टि प्रणालियां इन ‘संग्रहों’ को बहुत अधिक साहित्यिक रूप से लेती हैं जितना कि हम करते हैं।

नए अध्ययन के शोधकर्ताओं ने पाया है कि संपीड़न प्रक्रिया से क्रोमा सब्सैंपलिंग को हटाने से यह नकारात्मक प्रभाव 15.95% तक कम हो जाता है, हालांकि यह समस्या को पूरी तरह से दूर नहीं करता है।

अध्ययन यह भी कहता है कि अप्रतिसादित (या कम संपीड़ित) डेटा पर प्रशिक्षण देने से समस्या का समाधान नहीं होगा यदि अनुमान समय की छवियां संपीड़ित हैं। वास्तव में, इसका अर्थ है कि कम संपीड़ित छवियों पर चेहरा पहचान मॉडल को प्रशिक्षित करने से तब तक समस्या का समाधान नहीं होगा जब तक कि अंतिम उत्पादन मॉडल को संपीड़न समस्याओं वाली छवियां न दी जाएं।

लेखकों की रिपोर्ट है*:

‘[संपीड़न का] उपयोग अनुमान समय के दौरान चेहरा पहचान दृष्टिकोणों के प्रदर्शन को प्रभावित करता है, विशेष रूप से नस्ल संबंधी चेहरे के प्रकार समूह (जैसे कि गहरी त्वचा टोन, मोनोलिड आंख का आकार) पर और यह प्रभाव तब मौजूद होता है जब भी संपीड़ित छवियों का उपयोग मॉडल प्रशिक्षण के लिए किया जाता है।’

इस पत्र में यह भी कहा गया है कि छवि संपीड़न के कंप्यूटर विजन अनुसंधान क्षेत्र पर परिणाम हैं, जो विस्तार से 2021 के एक अध्ययन में बताए गए थे जो मैरीलैंड विश्वविद्यालय और फेसबुक एआई से था।

यह एक कठिन मुद्दा है जिसे दूर करना मुश्किल है; यहां तक कि यदि संपीड़न की आवश्यकता को रातोंरात समाप्त कर दिया जाए और सभी कम गुणवत्ता वाली छवियों को अचानक उच्च गुणवत्ता वाले स्रोतों से बेहतर दर पर पुनः संपीड़ित किया जाए, तो यह पिछले कुछ दशकों में अकादमिक बेंचमार्क टूल्स की निरंतरता को ‘रीसेट’ करेगा। सीवी समुदाय, वास्तव में, इस समस्या की अभ्यस्त हो गया है, जो एक उल्लेखनीय तकनीकी ऋण का प्रतिनिधित्व करता है।

चेहरा पहचान (एफआर) में नस्लीय पक्षपात एक मीडिया मुद्दा बन गया है हाल के वर्षों में, जो शोध समुदाय में एक संयुक्त प्रयास को प्रेरित करता है ताकि प्रभावित प्रणालियों से इसे दूर किया जा सके। हालांकि, वैश्विक शोध निकाय की निर्भरता एक सीमित संख्या में ‘स्वर्ण मानक’ डेटासेट पर, जिनमें से अधिकांश या तो नस्लीय रूप से संतुलित नहीं हैं या इस संबंध में खराब लेबल हैं, इस चुनौती को बढ़ाता है।

नए पत्र के शोधकर्ता यह भी कहते हैं कि छवि अधिग्रहण मानकों और चेहरा पहचान बेंचमार्क द्वारा निर्धारित मानकों के बीच एक विसंगति है, जो कहते हैं*:

‘[मौजूदा] छवि अधिग्रहण मानक चेहरा पहचान प्रणालियों के लिए आईएसओ/आईईसी 19794-5 और आईसीएओ 9303 प्रस्तावित करते हैं कि छवि-आधारित (जैसे प्रकाश व्यवस्था, आवरण) और विषय-आधारित (जैसे मुद्रा, अभिव्यक्ति, सहायक उपकरण) गुणवत्ता मानकों को चेहरे की छवि गुणवत्ता सुनिश्चित करने के लिए। ‘

‘अनुसार, चेहरे की छवियों को भी हानिपूर्ण छवि संपीड़न मानकों जैसे जेपीईजी या जेपीईजी2000 का उपयोग करके संग्रहीत किया जाना चाहिए; और लिंग, आंख का रंग, बालों का रंग, अभिव्यक्ति, गुण (जैसे चश्मा), मुद्रा कोण (याव, पिच, और रोल), और लैंडमार्क स्थितियों के लिए पहचानने योग्य होना चाहिए। ‘

‘हालांकि, सामान्य चेहरा पहचान बेंचमार्क आईएसओ/आईईसी 19794-5 और आईसीएओ 9303 मानकों का पालन नहीं करते हैं। इसके अलावा, जंगल में नमूने अक्सर विभिन्न कैमरा और पर्यावरणीय परिस्थितियों के तहत प्राप्त किए जाते हैं ताकि प्रस्तावित समाधानों को चुनौती दी जा सके। ‘

‘फिर भी, ऐसे डेटासेट में अधिकांश चेहरे की छवियां हानिपूर्ण जेपीईजी संपीड़न के माध्यम से संपीड़ित होती हैं। ‘

नए कार्य के लेखक कहते हैं कि उनके भविष्य के प्रयास विभिन्न चेहरा पहचान फ्रेमवर्क पर हानिपूर्ण छवि क्वांटीकरण के प्रभाव की जांच करेंगे और इन प्रणालियों की न्यायसंगतता में सुधार के लिए संभावित तरीके प्रदान करेंगे।

इस नए पत्र का शीर्षक क्या हानिपूर्ण छवि संपीड़न चेहरा पहचान में नस्लीय पूर्वाग्रह को प्रभावित करता है? है, और यह इम्पीरियल कॉलेज लंदन के तीन शोधकर्ताओं के साथ-साथ इनसाइटफेस गहरा चेहरा विश्लेषण लाइब्रेरी से एक शोधकर्ता द्वारा आया है।

डेटा और विधि

अपने प्रयोगों के लिए, शोधकर्ताओं ने इमेजमैगिक और लिबजेपीईजी ओपन सोर्स लाइब्रेरी का उपयोग करके विभिन्न संपीड़न के स्तरों पर स्रोत डेटा छवियों के संस्करण बनाए।

संपीड़न के प्रभावों की एक प्रारंभिक समीक्षा के लिए, लेखकों ने रेसियल फेसेस इन-द-वाइल्ड (आरएफडब्ल्यू) डेटासेट पर जेपीईजी के चार अलग-अलग स्तरों के पीक सिग्नल-टू-शोर अनुपात (पीएसएनआर) के प्रभावों का अध्ययन किया।

रेसियल फेसेस-इन-द-वाइल्ड डेटासेट के लिए पीएसएनआर स्कोर, जो दिखाते हैं कि संपीड़न पहचान क्षमताओं को कैसे प्रभावित कर सकता है।

अन्य परीक्षणों के बीच, उन्होंने एक नस्लीय रूप से असंतुलित डेटासेट और एक नस्लीय रूप से संतुलित डेटासेट पर शोध किया। नस्लीय रूप से संतुलित सेट के लिए, उन्होंने मूल वीजीएफेस2 बेंचमार्क डेटासेट पर आर्कफेस फंक्शन के साथ रेसनेट101वी2 का उपयोग किया, जिसमें 3.3 मिलियन छवियां हैं जो 8631 नस्लीय रूप से असंतुलित विषयों को प्रदर्शित करती हैं।

परीक्षण के लिए, शोधकर्ताओं ने आरएफडब्ल्यू डेटासेट का उपयोग किया। प्रणाली को चार अलग-अलग संपीड़न स्तरों पर प्रशिक्षित किया गया, जिससे चार आर्कफेस मॉडल प्राप्त हुए।

नस्लीय रूप से संतुलित सेट के लिए, शोधकर्ताओं ने मूल संरेखित बीयूपीटी-बैलेंस्ड बेंचमार्क डेटासेट पर भी आर्कफेस फ्रेमवर्क का उपयोग किया, जिसमें 28,000 चेहरे शामिल हैं जो चार समूहों में संतुलित हैं: अफ़्रीकी, एशियाई, भारतीय, और कॉकेशियन, प्रत्येक जाति में 7000 छवियां शामिल हैं। जैसे कि नस्लीय रूप से असंतुलित डेटासेट के साथ, इस प्रक्रिया में चार आर्कफेस मॉडल प्राप्त किए गए।

इसके अलावा, शोधकर्ताओं ने संपीड़न और गैर-संपीड़न प्रशिक्षण के प्रभावों को पुनः उत्पन्न किया, क्रोमा सब्सैंपलिंग को हटाकर, ताकि इसके प्रदर्शन पर प्रभाव को मापा जा सके।

परिणाम

इन उत्पन्न डेटासेट में गलत मिलान दर (एफएमआर) का अध्ययन किया गया। शोधकर्ता जिन मानदंडों की तलाश कर रहे थे वे पूर्वनिर्धारित फीनोटाइप थे जो नस्लीय विशेषताओं से संबंधित थे त्वचा प्रकार (1, 2, 3, 4, 5 या 6), पलक प्रकार (मोनोलिड/अन्य), नाक का आकार (चौड़ा/संकीर्ण), होंठ का आकार (पूर्ण/छोटा), बालों का प्रकार (सीधा/लहरदार/कर्ल/गंजा), और बालों का रंग – माप 2019 के पत्र चेहरा पहचान के माध्यम से नस्लीय प्रकार द्वारा छिपी हुई पूर्वाग्रह को मापना से लिए गए थे।

पत्र में कहा गया है:

‘हम यह देखते हैं कि सभी नीचे चुने गए संपीड़न स्तर q = {5, 10, 15, 95} के लिए, एफएमआर बढ़ जाता है जब अतिरिक्त हानिपूर्ण संपीड़न लागू किया जाता है, जो यह प्रदर्शित करता है कि संपीड़न स्तर 5 (सबसे उच्च संपीड़न दर) में सबसे महत्वपूर्ण गिरावट एफएमआर प्रदर्शन में होती है, जबकि संपीड़न स्तर 95 (सबसे कम संपीड़न दर) में कोई उल्लेखनीय एफएमआर प्रदर्शन अंतर नहीं होता है।’

वीजीजीएफेस2 के लिए बढ़ती डिग्री में खराब/संपीड़ित चेहरे की छवियों के माध्यम से एफएमआर प्रदर्शन की श्रृंखला का एक नमूना, जिसमें अनसंपीड़ित या थोड़ा संपीड़ित गुणवत्ता शामिल है। कृपया बेहतर रिज़ॉल्यूशन और पूर्ण परिणामों के लिए स्रोत पत्र देखें।

पत्र निष्कर्ष निकालता है:

‘कुल मिलाकर, हमारा मूल्यांकन यह पाता है कि अनुमान समय के दौरान हानिपूर्ण संपीड़ित चेहरे की छवियों का उपयोग करने से विशिष्ट फीनोटाइप, जिनमें गहरी त्वचा टोन, चौड़ी नाक, कर्ल बाल, और मोनोलिड आंख शामिल हैं, पर प्रदर्शन में अधिक महत्वपूर्ण गिरावट आती है। ‘

‘हालांकि, प्रशिक्षण के दौरान संपीड़ित छवियों का उपयोग करने से परिणामी मॉडल अधिक लचीले हो जाते हैं और प्रदर्शन में गिरावट को सीमित करते हैं: विशिष्ट नस्लीय रूप से संरेखित उप-समूहों में कम प्रदर्शन बना रहता है। इसके अलावा, क्रोमा सब्सैंपलिंग को हटाने से हानिपूर्ण संपीड़न से अधिक प्रभावित फीनोटाइप श्रेणियों के लिए एफएमआर में सुधार होता है। ‘

* मेरे द्वारा लेखकों के इनलाइन उद्धरणों को हाइपरलिंक में परिवर्तित किया गया।

पहली बार 22 अगस्त 2022 को प्रकाशित।