Индустрия биометрии меняется с учетом последних достижений в области искусственного интеллекта, компьютерного зрения и машинного обучения. Было много дискуссий о том, как нейронные сети могут использоваться для автоматического распознавания, однако в этой статье я хочу подробнее рассказать о том, как этот набор инструментов можно использовать для повышения уровня уязвимости биометрических систем в контексте атак морфинга лиц.
На прошлой неделе Biometix выпустила набор морфинга лица, который включал около 1000 морфов лица на основе набора изображений лица FERET. В настоящее время Biometix выпустила в общей сложности около 100 тыс. Изображений. Это позволило нам изучить обнаружение морфа лица с помощью сверточных нейронных сетей. Я хочу познакомить вас с нашей первой «сетью морфинга», обсудить результаты эксперимента и вкратце коснуться того, что ждет нас в будущем.
Морфинг - это метод обработки изображений, используемый для наложения одного изображения на другое. Для изображений лиц создаются искусственные образцы с чертами двух или более людей. Морфинг лиц был интересной темой в биометрии в течение некоторого времени, после обучения по обнаружению оператора стало очевидно, что подходы компьютерного зрения имеют ряд преимуществ и, вероятно, могут обеспечить более высокий уровень общей производительности.
Сверточная нейронная сеть была обучена на 3000 обучающих выборках с увеличением данных. Обучающие образцы как для настоящих изображений, так и для морфов были нормализованы по размеру и расположению глаз, изображения были обрезаны, чтобы показать только те области, где мы можем ориентироваться («область маски»). Сеть была относительно небольшой и состояла всего из 4 слоев - этому способствовало относительно небольшое количество обучающих выборок.
На проверочном наборе сеть смогла классифицировать изображения лиц с точностью 97%. Это многообещающий результат с учетом ограничений сети. Набор лиц FERET состоит из высококачественных изображений с высоким разрешением, и применение обнаружения морфинга должно происходить на более сложных наборах данных. Обучение более крупных сетей и применение подходов к переносному обучению с большими наборами данных - это следующий шаг вперед для нашей сети морфинга, позволяющий ей справляться со все более сложными наборами данных.
Существующая сеть может предоставить владельцам биометрических систем ценный аналитический инструмент при обнаружении мошенничества и оценке качества. Будущее этой технологии обеспечит улучшенные результаты, сделав ее неотъемлемой частью биометрической системы, владеющей набором инструментов для снижения уязвимости.
Риск-менеджмент биометрических систем изменится с появлением технологий машинного обучения. Применение подходов глубокого обучения к обнаружению уязвимостей - захватывающая перспектива. Если вы хотите поговорить со мной об этом, напишите письмо по адресу [email protected].
