Los algoritmos de reconocimiento facial están mejorando su precisión en la identificación de personas con máscara


Mascaras ha sido un problema para los sistemas de reconocimiento facial. Al fin y al cabo, estos algoritmos utilizan la posición de los ojos, la nariz y la boca para identificar a los usuarios, lo que a mediados de 2020, en medio de una pandemia, se complica por la obligación de usar máscaras que se ha impuesto en muchos países. Que los algoritmos fallan más al intentar reconocer a una persona con máscara no es ningún secreto, pero no es ningún secreto que están mejorando.

Un nuevo ella estudia del Instituto Nacional de Estándares y Tecnología de Estados Unidos (NIST, por sus siglas en inglés), así lo confirma. NIST ha estado estudiando cómo funcionan los algoritmos de reconocimiento facial desde mayo. Los estudios de julio y agosto mostraron que algunos algoritmos fallaron mucho, hasta el 50% de las veces, pero los resultados del último informe, publicado esta semana, muestran que el rendimiento de los algoritmos de reconocimiento facial que detectan personas con máscaras ha mejorado. lo suficiente para ser “comparable al estado de la técnica [de los algoritmos de reconocimiento facial] con personas sin máscaras a mediados de 2017 “.

65 algoritmos y 6.200.000 millones de imágenes

Fotos Ejemplos de imágenes (originales y modificadas) utilizadas en el estudio.

El estudio NIST no es un estudio cualquiera. Para la edición de diciembre, probaron 65 algoritmos con 6,2 millones de imágenes. Los resultados del estudio muestran una evolución importante. Es cierto que los algoritmos siguen fallando cuando la persona usa máscara, pero mucho menos.


Si las vacunas de ARNm tienen éxito, afrontaremos uno de los grandes hitos de la historia de la ciencia

Según el NIST, los algoritmos más precisos tienen una tasa de error del 0.3% al detectar personas sin máscaras. Con los algoritmos más precisos y una máscara que cubre el 70% de la cara, la tasa de error es de alrededor del 5%. Los algoritmos menos precisos continúan fallando, pero la tasa de error varía del 10% al 40%. En palabras de NIST:

“Para algunos desarrolladores, las tasas de rechazo falso en sus algoritmos introducidos desde mediados de marzo de 2020 se han reducido en un factor de diez en comparación con sus algoritmos prepandémicos, lo que es una prueba de que algunos proveedores están adaptando sus algoritmos para manejar máscaras faciales. . “.

Mejora Ejemplos de mejoras de rendimiento en algunos algoritmos y en diferentes contextos.

Otras conclusiones interesantes tienen que ver con el color y tamaño de la máscara. En el estudio aplicaron máscaras rojas, celestes, rojas y negras. Las máscaras negras y rojas causan más fallas que las blancas y azules, no está claro por qué. Además, las máscaras más grandes también conducen a más errores de detección.

El conjunto de imágenes consta de fotografías “recopiladas en aplicaciones del gobierno de EE. UU. Actualmente en funcionamiento”, es decir, “fotografías de solicitud de una población mundial de solicitantes de subvenciones de inmigración y fotografías de cruces fronterizos de viajeros que ingresan en los Estados Unidos “. Afirman que” ambos conjuntos de datos fueron recopilados para viajes autorizados o procesos de inmigración “.

Máscara

Estas fotografías han sido editadas digitalmente para añadir una máscara al rostro si es necesario y, de esta forma, variar la forma, el color y la cobertura de la nariz. Cabe señalar que el estudio se basa en coincidencias uno a uno, es decir, compararon si el algoritmo pudo vincular la foto con la máscara agregada digitalmente con la misma foto sin la máscara.

Son condiciones “ideales”, entre comillas, pero en el mundo real es más complicado, ya que hay máscaras de diferentes formas, colores y tamaños y, además, hay que añadir otros problemas como la luz o la calidad de la imagen. Es decir, si bien los resultados del informe muestran que los algoritmos han mejorado el reconocimiento de personas con máscaras, todavía no son perfectos, ni se puede decir que hayan logrado superar las máscaras.

El estudio es consciente de sus limitaciones. Por ejemplo, señalan que no entrenan ni optimizan algoritmos, que no hacen evaluaciones uno a muchos, que no han considerado el efecto que tendrían elementos como las gafas y que no tienen los recursos para recolectar fotos de personas con máscara. ergo no hay que tener en cuenta las distintas parcelas del mismo. En pocas palabras, los algoritmos están mejorando, pero aún deben probarse en entornos más realistas para ver su rendimiento real.

Calle | CNET
Más información | NIST (PDF)



Fuente

Deja un comentario