Umelá inteligencia
Používanie rúk ako biometrického identifikátora v kriminálnej videoforenznej analýze
Vedci v Spojenom kráľovstve vyvinuli biometrický systém strojového učenia schopný identifikovať jednotlivcov podľa tvaru ich rúk. Zámerom práce je pomôcť pri identifikácii páchateľov, najmä v prípadoch sexuálnych delikventov, ktorí zaznamenali svoje zločiny, kde sú informácie o ruke často jediným dostupným biometrickým signálom.
papier, oprávnený Ručná identifikácia osôb pomocou globálneho a čiastočne uvedomelého učenia sa hlbokej reprezentácie funkciía navrhuje nový rámec ML s názvom Global and Part-Aware Network (GPA-Net).
GPA-Net vytvára lokálne a globálne pobočky na konvolučnej vrstve s cieľom vytvoriť odlišné rozpoznávacie systémy pre celé ruky (s zreteľne rozpoznanou ľavou a pravou rukou, na rozdiel od niektorých predchádzajúcich pokusov v tomto sektore) a diely ruky, ktoré samy o sebe môžu fungovať ako podávacie vlajky pre lepšiu identifikáciu celej ruky.
Výskum pochádza z School of Computing and Communications na Lancaster University a vedie ho Nathanael L. Baisa, teraz odborný asistent na Leicester's De Montfort University.
Ruky ako konzistentné biometrické indikátory
Vedci pozorujú, že ruky ponúkajú konzistentný súbor rôznych biometrických charakteristík, ktoré môžu byť menej predmetu buď na vek, pokusy o maskovanie alebo iné skresľujúce faktory (ako sú variácie vo výrazoch v prípade snímania tváre), ktoré môžu ovplyvniť spoľahlivosť populárnejších systémov indikátorov, vrátane rozpoznávania chôdze a rozpoznávania tváre.
Aj keď bezpečnostné systémy majú bol navrhnutý ktoré využívajú vzory žíl rúk prostredníctvom infračerveného zobrazovania, nie je pravdepodobné, že sa to stane dostupným v typoch záznamových zariadení používaných pri trestných činoch. Súčasný výskum sa sústreďuje skôr na zábery získané prostredníctvom štandardných digitálnych kamier, zvyčajne zabudovaných v mobilných zariadeniach, ale v prípade sexuálnych trestných činov je často pravdepodobnejšie, že ich získajú „hlúpe“ kamery, ktoré sú menej naklonené zdieľaniu sieťových informácií.
Je iróniou, že odtlačok dlane, možno najpopulárnejšia biometrická metóda vo filmoch sci-fi za posledných päťdesiat rokov, sa netešila takému prijatiu, aké očakávali futuristi, možno preto, že systémy identifikácie odtlačkov prstov vyžadujú menšie a lacnejšie rozpoznávacie plochy. Spoločnosť Fujitsu však vyrábala a propagačné štúdium v roku 2016 tvrdiac, že rozpoznávanie vzoru žilovej dlane je vynikajúci biometrický nástroj pre bezpečnostné systémy.
Súbory údajov a testovanie
GPA-Net je podľa vedcov prvým end-to-end vyškoleným systémom, ktorý sa pokúša rozpoznať ruky. Centrálna chrbtica jeho siete je založená na ResNet50 vyškolenom cez ImageNet. Boli vybrané pre ich schopnosť dobre fungovať na rôznych platformách vrátane Počiatok spoločnosti Google (a GoogleNet modul, ktorý prešiel na rozvíjajúcu sa konvolučnú neurónovú sieť so špecializáciou na detekciu objektov a analýzu obrazu).
Rámec GPA-Net bol testovaný v dvoch súboroch údajov – 2016 11k rúk set, spolupráca medzi výskumníkmi z Kanady a Egypta; a Hong Kong Polytechnic University Chrbtová ruka (HD) súbor údajov.
Súbor údajov 11k obsahuje 190 subjektov identity vrátane rôznych metadát týkajúcich sa ID, veku, farby pleti, pohlavia a ďalších faktorov. Výskumníci vylúčili akékoľvek obrázky, ktoré obsahovali šperky, pretože tie by nevyhnutne skončili ako rušivé odľahlé hodnoty. Zo súboru údajov HD tiež vylúčili obrázky, ktorým chýbala primeraná jasnosť, pretože zhoda ID je citlivejším sektorom ako syntéza obrázkov a zakryté údaje predstavujú väčšie nebezpečenstvo.
GPA-Net bol spustený na platforme hlbokého učenia PyTorch na jedinom GPU NVIDIA GeForce RTX 2080 Ti s 11 GB VRAM. Model bol trénovaný pomocou strata krížovej entropiea mini-dávka Stochastický gradientový zostup (SGD) optimalizátor. Školenie prebiehalo vo viac ako 60 epochách s počiatočnou rýchlosťou učenia 0.02, ktoré potom spracoval plánovač rýchlosti učenia s faktorom poklesu 0.1 na každých 30 epoch – efektívne spomaľuje tréning, pretože vysokorozmerné prvky sa rýchlo zabudujú a systém musí následne stráviť dlhšie prechádzanie údajov pre podrobnejšie podrobnosti.
Hodnotenie sa uskutočnilo pomocou kumulatívnych párovacích charakteristík (CMC) metrika so strednou priemernou presnosťou (mAP).
Výskumníci zistili, že GPA-Net prekonáva konkurenčné metódy na ResNet50 o 24.74 % v presnosti 1. stupňa a o 37.82 % na mAP.
Výskumníci sa domnievajú, že táto metóda má „silný potenciál na spoľahlivú identifikáciu páchateľov závažnej trestnej činnosti“.