Inteligjenca artificiale
Përdorimi i duarve si një identifikues biometrik në kriminalistikën video kriminalistike
Studiuesit në Mbretërinë e Bashkuar kanë zhvilluar një sistem biometrik të mësimit të makinerive të aftë për të identifikuar individët nga forma e duarve të tyre. Qëllimi i punës është të ndihmojë në identifikimin e shkelësve, veçanërisht në rastet e dhunuesve seksualë që kanë regjistruar krimet e tyre, ku informacioni i dorës është shpesh i vetmi sinjal biometrik i disponueshëm.
La letër, me të drejtë Identifikimi i personit i bazuar në dorë duke përdorur mësimin global dhe pjesërisht të vetëdijshëm të përfaqësimit të thellë të veçorive, dhe propozon një kornizë të re ML të quajtur Rrjeti Global dhe Pjesërisht i Vetëdijshëm (GPA-Net).
GPA-Net krijon degë lokale dhe globale në shtresën konvolucionale, në mënyrë që të krijojë sisteme të dallueshme njohjeje si për tërësinë e duarve (me duart e majta dhe të djathta të dallueshme, ndryshe nga disa përpjekje të mëparshme në këtë sektor) dhe pjesë të dorës, të cilat në vetvete mund të veprojnë si flamuj ushqyes për një identifikim më të mirë të të gjithë dorës.
Hulumtimi vjen nga Shkolla e Informatikës dhe Komunikimeve në Universitetin Lancaster, dhe drejtohet nga Nathanael L. Baisa, tani një Asistent Profesor në Universitetin De Montfort të Leicester-it.
Duart si tregues biometrikë të qëndrueshëm
Studiuesit vërejnë se duart ofrojnë një koleksion të qëndrueshëm të karakteristikave biometrike të dallueshme që mund të jenë më pak lëndë ose mosha, përpjekjet për maskim ose faktorë të tjerë shtrembërues (si ndryshimi i shprehjeve, në rastin e kapjes së fytyrës) që mund të ndikojnë në besueshmërinë e sistemeve më të njohura të treguesve, duke përfshirë njohjen e ecjes dhe njohjen e fytyrës.
Edhe pse sistemet e sigurisë kanë janë ideuar që përdorin modele të venave të duarve përmes imazheve infra të kuqe, kjo nuk ka gjasa të bëhet e disponueshme në llojet e pajisjeve regjistruese të përdorura në krime. Përkundrazi, hulumtimi aktual përqendrohet në kapjet e marra përmes kamerave standarde dixhitale, zakonisht të ngulitura në pajisje celulare, por në rastin e krimeve seksuale, shpesh ka më shumë gjasa të merren nga kamerat 'memecë' që janë më pak të prirura për të ndarë informacionin e rrjetit.
Ironikisht, printimi i pëllëmbës, ndoshta metoda më popullore biometrike e paraqitur në filmat fantastiko-shkencor të pesëdhjetë viteve të fundit, nuk ka shijuar marrjen e pritur nga futuristët, ndoshta sepse sistemet e identifikimit të gjurmëve të gishtave kërkojnë sipërfaqe më të vogla dhe më të lira njohjeje. Megjithatë, Fujitsu prodhoi një studim promovues në 2016 duke argumentuar se njohja e modelit të venave të pëllëmbës është një mjet biometrik superior për sistemet e sigurisë.
Grupet e të dhënave dhe testimi
GPA-Net është, sipas studiuesve, sistemi i parë i trajnuar nga fundi në fund për të provuar njohjen e dorës. Baza qendrore e rrjetit të tij bazohet në ResNet50 të trajnuar mbi ImageNet. Këto janë zgjedhur për aftësinë e tyre për të performuar mirë në një sërë platformash, duke përfshirë Fillimi i Google (a GoogleNet modul që u diplomua në një Rrjet Neural Konvolutional në zhvillim të specializuar në zbulimin e objekteve dhe analizën e imazhit).
Korniza GPA-Net u testua në dy grupe të dhënash - 2016 11 mijë duar set, një bashkëpunim mes studiuesve nga Kanadaja dhe Egjipti; dhe Universitetin Politeknik të Hong Kongut Dora dorsal (HD) grup i të dhënave.
Grupi i të dhënave 11 mijë përmban 190 subjekte identiteti, duke përfshirë një shumëllojshmëri meta të dhënash në lidhje me ID-në, moshën, ngjyrën e lëkurës, gjininë dhe faktorë të tjerë. Studiuesit përjashtuan çdo imazh që përmbante bizhuteri, pasi këto në mënyrë të pashmangshme do të përfundonin si të jashtëzakonshëm shkatërrues. Ata gjithashtu përjashtuan imazhet nga grupi i të dhënave HD të cilave u mungonte qartësia e duhur, pasi përputhja e ID-së është një sektor më i ndjeshëm se sinteza e imazheve dhe të dhënat e errësuar një rrezik më i madh.
GPA-Net u ekzekutua në një kornizë mësimi të thellë PyTorch në një GPU të vetme NVIDIA GeForce RTX 2080 Ti me 11 GB VRAM. Modeli është trajnuar duke përdorur humbje ndër-entropike, dhe një mini-batch zbritje gradienti stokastik (SGD) optimizues. Trajnimi u zhvillua mbi 60 epoka me një normë fillestare të të mësuarit prej 0.02, e trajtuar më pas nga një programues i shkallës së të mësuarit me një faktor zbërthimi prej 0.1 për çdo 30 epoka – duke ngadalësuar efektivisht trajnimin pasi tiparet me dimensione të larta futen shpejt dhe sistemi duhet të shpenzojë më gjatë. duke përshkuar të dhënat për më shumë detaje.
Vlerësimi u krye duke përdorur karakteristikat kumulative të përputhjes (CMC) metrikë me saktësi mesatare mesatare (mAP).
Studiuesit zbuluan se GPA-Net tejkalon metodat konkurruese në ResNet50 me 24.74% në saktësinë e renditjes 1 dhe me 37.82% në mAP.
Studiuesit konsiderojnë se metoda ka 'potencial të fortë për identifikim të fortë të autorëve të krimeve të rënda'.