موارد مهم
- الگوریتم های تشخیص چهره در خواندن چهره با ماسک بهتر می شوند.
- یک مطالعه جدید محدودیت‌هایی را در مورد نحوه خواندن یک ماسک توسط یک الگوریتم مانند رنگ و شکل ماسک نشان می‌دهد.
- کارشناسان می گویند صنعت تشخیص چهره فعالانه در حال کار است تا ماسک های صورت را در الگوریتم های خود بگنجاند.
بسیاری از صنایع، از جمله صنعت تشخیص چهره، نیاز به سازگاری با این بیماری همه گیر دارند. کارشناسان می گویند این فناوری به تدریج در تشخیص افرادی که ماسک می زنند بهتر می شود.
گزارش جدیدی که توسط موسسه ملی استاندارد و فناوری (NIST) منتشر شده است، نتایج 65 الگوریتم جدید تشخیص چهره ایجاد شده پس از شروع همه‌گیری COVID-19 و همچنین 87 الگوریتم ارائه شده قبل از همه‌گیری را نشان می‌دهد. این گزارش نشان داد که توسعه‌دهندگان نرم‌افزار در توسعه الگوریتم‌هایی که چهره‌های نقابدار را تشخیص می‌دهند بهتر شده‌اند، حتی به دقت الگوریتم‌های تشخیص چهره معمولی هستند.
در حالی که تعدادی از الگوریتم‌های پیش از همه‌گیری هنوز در دقیق‌ترین الگوریتم‌های مربوط به عکس‌های نقابدار باقی مانده‌اند، برخی از توسعه‌دهندگان الگوریتم‌هایی را پس از همه‌گیری ارسال کرده‌اند که دقت قابل‌توجهی بهبود یافته را نشان می‌دهند و اکنون جزو دقیق‌ترین الگوریتم‌ها در آزمایش ما هستند..
آنچه که مطالعه پیدا کرد
این مطالعه دومین مطالعه از نوع خود بود که توسط NIST با مجموعه داده‌های مشابه انجام شد تا الگوریتم‌های تشخیص چهره و دقت آنها را در حضور ماسک‌های صورت آزمایش کند. نویسندگان این گزارش از 6.2 میلیون عکس استفاده کرده و از ترکیب‌های مختلف ماسک دیجیتال شبیه‌سازی شده‌اند.
Mei Ngan، یکی از نویسندگان گزارش و دانشمند کامپیوتر در NIST، در یک مصاحبه تلفنی به Lifewire گفت که وجود ماسک های صورت اساساً فناوری تشخیص چهره را حدود دو تا سه سال به عقب برده است.
"نرخ خطا بین 2.5٪ تا 5٪ قابل مقایسه با فناوری پیشرفته در سال 2017 است."
گزارش قبلی از NIST که در ژوئیه منتشر شد به عملکرد الگوریتم‌های تشخیص چهره ارائه شده قبل از مارس ۲۰۲۰، قبل از اعلام یک بیماری همه‌گیر جهانی توسط سازمان جهانی بهداشت، پرداخت. این اولین مطالعه نشان داد که میزان خطای این الگوریتم‌های پیش از همه‌گیری بین 5٪ و 50٪ است.
حتی اگر این الگوریتم‌ها در خواندن چهره‌های نقابدار بهتر شوند، مطالعه جدیدتر نشان داد که برخی از عوامل بر میزان خطا تأثیر می‌گذارند، مانند رنگ ماسک (ماسک‌های تیره‌تر مانند قرمز یا سیاه نرخ خطای بالاتری دارند) و نحوه ماسک شکل داده شده است (اشکال ماسک گردتر نرخ خطای کمتری دارند).
Ngan گفت: الگوریتم‌ها از قسمت قابل مشاهده صورت افراد، مانند ناحیه اطراف چشم و پیشانی، برای تشخیص ویژگی‌های صورت به جای خواندن خود ماسک استفاده می‌کنند.
آینده تشخیص چهره و ماسک های صورت
Ngan گفت بدیهی است که توسعه دهندگان با الگوریتم‌های تشخیص چهره خود در مورد ماسک‌های صورت پیشرفت‌های قابل توجهی انجام داده‌اند.
"به وضوح نیاز به سیستم های تشخیص چهره وجود دارد که تحت محدودیت های پوشیدن ماسک صورت عمل کنند." "با توجه به کارهایی که انجام داده‌ایم و نتایج حاصل از مطالعه اخیرمان، می‌بینیم که صنعت تشخیص چهره فعالانه در حال تلاش برای گنجاندن ماسک‌های صورت در الگوریتم‌های خود است."
از آنجایی که فناوری در حال بهبود است، به این معنی است که انجام کارهایی مانند باز کردن قفل تلفن در حین استفاده از ماسک آسان‌تر خواهد بود، اما وقتی صحبت از پیشرفت تشخیص چهره به این روش می‌شود، پیامدهای دیگری نیز وجود دارد.
مطالعات متعدد نشان می دهد که تشخیص چهره به طور گسترده ای برای شناسایی اشتباه فرد اشتباه و دارای تعصبات نژادی گزارش شده است. یک مطالعه در سال 2019 توسط NIST نشان داد که فناوری تشخیص چهره افراد سیاه پوست و آسیایی را تا 100 برابر بیشتر از سفیدپوستان شناسایی اشتباه می کند.
حتی اگر این فناوری در خواندن ماسک‌های صورت بهتر شود، درصد خطا - صرف نظر از اینکه چقدر کوچک باشد - باز هم می‌تواند برای شناسایی نادرست فردی که ماسک صورت دارد، نگران‌کننده باشد.
در حالی که جدیدترین گزارش NIST نشان می‌دهد که الگوریتم‌ها در انجام وظایف ماسک صورت بهتر می‌شوند، نگان گفت که فقط زمان نشان می‌دهد که آیا واقعاً آینده تشخیص چهره در زمان‌های همه‌گیری به این سمت می‌رود یا خیر.
«شاید بتوانیم انتظار کاهش خطاهای بیشتر را داشته باشیم، یا شاید توسعه دهندگان ممکن است محدودیت هایی را برای مقدار اطلاعات منحصر به فرد در منطقه بدون نقاب پیدا کنند.
