Yaygın Yürüyüş Tanıma Sistemlerini Engelleyebilecek ‘Gizli Rotalar’

İsrail ve Japonya arasındaki yeni bir araştırma işbirliği, yayaların yüz tanıma sistemlerini kaçırmak için dikkatlice planlanmış rotaları takip ederek, gözetim ağlarının en az etkili olduğu alanlardan geçerek, yayaların tanınmasını engelleyebilecek içsel zayıflıklara sahip olduğunu iddia ediyor.

Tokyo, New York ve San Francisco’dan kamu tarafından erişilebilen görüntülerin yardımıyla, araştırmacılar, halka açık ağlarda muhtemelen kullanılan en popüler nesne tanıma sistemlerine dayalı olarak böyle rotaları hesaplamak için otomatik bir yöntem geliştirdiler.

Çalışmada kullanılan üç geçit: Tokyo, Japonya’daki Shibuya Geçidi; New York’taki Broadway; ve San Francisco’daki Castro Bölgesi. Kaynak: https://arxiv.org/pdf/2501.15653

Bu yöntemle, yayaların yüz tanıma sistemleri tarafından tanınma olasılığı en düşük olan kamera görüntüsündeki alanları gösteren güvenlik haritaları oluşturmak mümkün.

Araştırmacıların yöntemiyle oluşturulan güvenlik haritası.

Teoride, böyle bir yöntem, bir konum bilgisi içeren bir uygulamaya veya platforma dönüştürülerek, herhangi bir hesaplanan konumda A noktasından B noktasına en az tanınma olasılığı olan rotaları yayınlamak için kullanılabilir.

Yeni makale, Konum Tabanlı Gizlilik Artırma Tekniği (L-PET) olarak adlandırılan böyle bir metodolojiyi öneriyor; ayrıca, Konum Tabanlı Uyumlu Eşik (L-BAT) olarak adlandırılan bir karşı önlem öneriyor, bu da temelde aynı rutinleri çalıştırıyor, ancak sonra bilgileri gözetim önlemlerini güçlendirmek ve iyileştirmek için kullanıyor; ve birçok durumda, böyle bir iyileştirme, daha fazla gözetim altyapısı yatırımı olmadan mümkün olmayacaktır.

Makale, bu nedenle, yayaların tanınmasını engellemek için optimize edilmiş rotalar geliştirmeye çalışanlar ile yüz tanıma teknolojilerini tam olarak kullanabilen gözetim sistemlerinin yetenekleri arasında bir teknolojik savaşın potansiyel olarak ortaya çıkmasını sağlıyor.

Önceki yayaların tanınmasını engellemek için kullanılan yöntemler, bu yöntemden daha az elegant ve karşıt yaklaşımlar üzerine dayanıyordu, Örneğin TnT Saldırıları ve basılı desenler kullanarak algılama algoritmasını karıştırma.

2019 yılında yapılan bir çalışmada, bir kişi algılama sistemine hiçbir kişinin tespit edilmediğini ikna edebilecek bir karşıt yazılmış desen gösterildi, bu da bir tür ‘görünmezlik’ sağladı. Kaynak: https://arxiv.org/pdf/1904.08653

Araştırmacılar, yeni makaledeki yaklaşımın, karşıt giyim eşyaları tasarlamak için daha az hazırlık gerektirdiğini gözlemlediler (yukarıdaki resme bakınız).

Makale şöyle adlandırıldı: Sokak Video Kameralarından Tanınmayı Engellemek İçin Karşıt Aksesuarlar Kullanmadan Gizlilik Artırma Tekniği, ve Ben-Gurion Negev Üniversitesi ve Fujitsu Limited’den beş araştırmacının ortak çalışmasıdır.

Yöntem ve Testler

Önceki çalışmalar gibi Karşıt Mask, AdvHat, karşıt yamalar ve diğer benzer çalışmaların yanı sıra, araştırmacılar, yayaların gözetim ağındaki nesne tanıma sisteminin hangi olduğunu bildiğini varsayarlar. Bu, aslında gözetim sistemlerinde state-of-the-art açık kaynak sistemlerinin yaygın olarak benimsenmesi nedeniyle mantıklı bir varsayımdır, Örneğin Cisco ve Ultralytics (şu anda YOLO gelişiminin merkezi gücü).

Makale ayrıca, yayaların hesaplanacak konumların canlı yayın akışına internet üzerinden erişimi olduğunu varsayar, bu da muhtemelen kapsama yoğunluğuna sahip většu yerlerde makul bir varsayımdır.

511ny.org gibi siteler, New York City alanındaki birçok gözetim kamerasına erişim sağlar. Kaynak: https://511ny.or

Bunun yanı sıra, yayalara önerilen yönteme ve sahneye (yani, ‘güvenli’ bir yol oluşturulacak geçitler ve rotalara) erişimi gerekir.

L-PET’yi geliştirmek için, yazarlar, kameraya göre yayaların açısının, kamera yüksekliğinin, mesafenin ve günün zamanının etkilerini değerlendirdiler. Temel gerçeği elde etmek için, bir kişiyi 0°, 45°, 90°, 135°, 180°, 225°, 270° ve 315° açılarda fotoğrafladılar.

Araştırmacılar tarafından yürütülen temel gerçek gözlemleri.

Bu varyasyonları, üç farklı kamera yüksekliğinde (0.6m, 1.8m, 2.4m) ve değişken aydınlatma koşullarında (sabah, öğleden sonra, gece ve ‘laboratuvar’ koşulları) tekrarladılar.

Bu görüntüleri Faster R-CNN ve YOLOv3 nesne dedektörlerine beslediler ve nesnenin güvenliğinin, yayaların açısına, mesafesine, kamera yüksekliğine ve hava/aydınlatma koşullarına bağlı olduğunu buldular*.

Yazarlar, aynı senaryoda daha geniş bir nesne dedektörü yelpazesi test ettiler: Faster R-CNN; YOLOv3; SSD; DiffusionDet; ve RTMDet.

Yazarlar şunları belirtiyorlar:

‘Tüm beş nesne dedektörü mimarisinin, yayaların pozisyonu ve ambiente ışık tarafından etkilendiğini bulduk. Ayrıca, beş modelin üçünde (YOLOv3, SSD ve RTMDet), etki tüm ambiente ışık seviyelerinde devam ettiğini bulduk.’

Araştırmacılar, Tokyo’daki Shibuya Geçidi, New York’taki Broadway ve San Francisco’daki Castro Bölgesi’nden kamu tarafından erişilebilen trafik kameralarından alınan görüntüleri kullanarak kapsamını genişlettiler.

Her konum, yaklaşık dört saatlik kayıt başına beş veya altı kayıt sağladı. Algılama performansını analiz etmek için, her iki saniyede bir kare çıkarıldı ve bir Faster R-CNN nesne dedektörü kullanılarak işlendi. Elde edilen çerçevelerdeki her piksel için, ‘kişi’ algılama sınırlayıcı kutularının o pikselde bulunma ortalama güvenini tahmin ettiler.

‘Üç konumun tümünde, nesne dedektörünün güveninin, karedeki insanların konumuna bağlı olarak değiştiğini bulduk. Örneğin, Shibuya Geçidi görüntülerinde, kameradan uzakta ve kameraya kısmen engel olan bir direğin yakınında, büyük alanlarda düşük güven vardı.’

L-PET yöntemi temel olarak bu işlemdir, argüman olarak ‘silahlandırılmış’ bir şekilde, bir kentsel alanda yayaların tanınma olasılığı en düşük olan bir yol elde etmeyi amaçlar.

Karşılaştırıldığında, L-BAT aynı işlemi takip eder, ancak algılama sistemini güncelleyerek, L-PET yaklaşımını bertaraf etmek ve sistemlerin ‘kör’ alanlarını daha etkili hale getirmek için tasarlanmış bir geri bildirim döngüsü oluşturur.

(Pratik olarak, ancak, elde edilen ısı haritalarına dayanarak kapsamı iyileştirmek, yalnızca kameranın yükseltilmesi değil, aynı zamanda ihmal edilen alanları kapsamak için ek kameraların kurulmasını gerektirecektir – bu nedenle, L-PET yönteminin bu özel ‘soğuk savaşı’ çok pahalı bir senaryoya dönüştürebileceği söylenebilir)

Beş video boyunca, çeşitli dedektör çerçevelerinde, Castro Caddesi’ndeki observed alanında, her piksel için ortalama yayaların algılama güveni.

Piksel tabanlı matris temsilini, görev için uygun bir grafik temsiline dönüştürerek, araştırmacılar, yayaların gözetim sistemlerine karşı algılanma güvenini en aza indirgeyerek, alanlardan geçebilecekleri en uygun rotaları hesaplamak için Dijkstra algoritmasını uyarladılar.

Algoritma, en kısa yolu bulmak yerine, yüksek güven bölgesi olarak yüksek ‘maliyetli’ alanları tedavi ederek, algılama güvenini en aza indirgemeye ayarlandı. Bu uyarlamayla, algoritma, gözetim sistemlerine karşı algılanma olasılığı en düşük olan rotaları belirleyerek, yayaların gözetim sistemlerine karşı algılanma olasılığını en aza indirgeyerek, ‘kör’ alanlardan veya düşük algılama bölgelerinden geçebilecekleri rotaları belirledi.

Sahneden ısı haritasının piksel tabanlı matris temsilinden grafik temsiline dönüşümünü gösteren bir görselleştirme.

Araştırmacılar, L-BAT sisteminin, kamu tarafından erişilebilen dört saatlik kayıtlardan oluşan bir veri kümesiyle, yayaların algılama performansını değerlendirdiler. Veri kümesini oluşturmak için, her iki saniyede bir kare işlendi ve bir SSD nesne dedektörü kullanılarak işlendi.

Her kareden, bir algılanan kişi içeren bir sınırlayıcı kutu, pozitif bir örnek olarak seçildi ve bir algılanan kişi içermeyen rastgele bir alan, negatif bir örnek olarak kullanıldı. Bu ikiz örnekler, L-BAT uygulanmış ve uygulanmamış iki Faster R-CNN modelinin değerlendirilmesi için bir veri kümesi oluşturdu.

Modellerin performansı, pozitif ve negatif örneklerin nasıl doğru bir şekilde tanımlandığını kontrol ederek değerlendirildi: Pozitif bir örneği kapsayan bir sınırlayıcı kutu, doğru pozitif olarak kabul edildi, mentre negatif bir örneği kapsayan bir sınırlayıcı kutu, yanlış pozitif olarak etiketlendi.

L-BAT’nin algılama güvenilirliğini belirlemek için kullanılan metrikler, Eğri Altındaki Alan (AUC); doğru pozitif oran (TPR); yanlış pozitif oran (FPR); ve ortalama doğru pozitif güven. Araştırmacılar, L-BAT’nin algılama güvenini artırdığını, ancak yüksek bir doğru pozitif oranıyla (fakat biraz daha fazla yanlış pozitiflerle) iddia ediyorlar.

Sonuç olarak, yazarlar, yaklaşımın bazı sınırlılıkları olduğunu belirtiyorlar. Bunlardan biri, oluşturulan ısı haritalarının belirli bir gün saatiyle ilgili olmasıdır. Bu, daha esnek bir dağıtıma sahip olmak için, günün saatini hesaba katan daha geniş, çok katmanlı bir yaklaşımın gerekli olacağını gösteriyor.

Araştırmacılar, ısı haritalarının farklı model mimarilerine aktarılamayacağını ve belirli bir nesne dedektörü modeline bağlı olduğunu da gözlemlediler. Çalışma, temel olarak bir kavram kanıtı olarak önerildiğinden, daha yetenekli mimarilerin geliştirilebileceği varsayılabilir.

Sonuç

Yeni bir saldırı yönteminin çözümü ‘yeni gözetim kameraları satın almak’ ise, bu, bazı avantajlara sahiptir, çünkü yüksek gözetim alanlarında kamu gözetim kameralarının genişletilmesi, siyasi olarak zor olabilir ve ayrıca genellikle bir seçmen onayına ihtiyaç duyulan önemli bir kamu giderini temsil eder.

Belki de çalışmanın ortaya koyduğu en büyük soru, ‘Kapalı kaynaklı gözetim sistemleri, YOLO gibi açık kaynaklı SOTA çerçevelerini kullanıyor mu?’ Bu, elbette, bu bilgileri açıklamanın, onları saldırıya açık hale getirebileceği gerekçesiyle, özel sistemlerin üreticileri tarafından bilinmeyen bir şeydir.

Bununla birlikte, hükümetin BT’sinin ve dahili özel kodunun, küresel ve açık kaynaklı kodlara göç etmesi, birinin yazarların iddiasını (örneğin, YOLO ile) test ediyorsa, hemen jackpotu vurabileceğini öne sürer.

* Genellikle makalede verilen ilgili tablo sonuçlarını içerirdim, ancak bu makalenin tablolarının karmaşıklığı, bunları casual bir okuyucu için aydınlatıcı kılmaktadır ve bu nedenle bir özeti daha faydalı buluyorum.

İlk olarak 28 Ocak 2025 Salı günü yayınlandı.