人脸识别:公众接受度、隐私和歧视的跨国调查
针对超过 100 个面部数据集进行的历史调查表明,这些数据集受到政治动机、技术能力和当前社会规范等多种因素的影响,掩盖了一些可能有害或有问题的实践。因此,需要明确传达这些细节,以建立更加深入的对技术在现实世界中功能的理解。
Feb, 2021
本文讨论了生物识别系统,特别是脸部模态的漏洞和如何通过伪造攻击的方式欺骗生物识别系统,并提出了十个问题,以开始在人工智能时代探讨市民数据安全和数据隐私问题。
May, 2022
最近机器学习和计算机视觉的进展使得人脸识别的准确率超越了人类表现。然而,我们质疑这些系统在真实的法庭鉴定情景中是否能够有效应用,因为在这种情景下,图像往往是低分辨率、低质量且被部分遮挡。本研究构建了一个大规模的合成人脸数据集,并创建了一个控制的人脸法庭鉴定场景,通过这两者的结合,可以在一系列真实环境条件下对人脸识别进行控制性评估。通过使用这个合成数据集和一个包含真实人脸的流行数据集,我们评估了两个常见的基于神经网络的人脸识别系统的准确性。我们发现,在这种更具挑战性的法庭鉴定情景中,先前报道的超过 95% 的人脸识别准确率下降到了 65%。
Nov, 2023
面罩脸部识别(MFR)是生物识别中的关键领域,尤其是全球 COVID-19 疫情导致广泛戴口罩。本综述论文对具有面罩的个体识别和检测中的挑战和进展进行了全面分析,这一领域由于需要适应新的社会规范而发生了创新的变化。通过深度学习技术的先进和面蒙面识别(FMR)以及面部去蒙面(FU)代表着重要的研究领域。这些方法解决了由完全到部分遮挡面部特征所带来的独特挑战。我们综合审查了针对 MFR、FMR 和 FU 开发的各种基于深度学习的方法,突出了它们的独特挑战和应对方法。此外,我们还探讨了专门用于评估 MFR 研究性能的基准数据集和评估指标。该综述还讨论了研究人员在这一领域面临的重大障碍,并提出了未来进一步发展更稳健有效的面罩脸部识别系统的方向。本文为研究人员和从业者提供了宝贵的资源,洞察了面对全球卫生危机及其后果时面部识别技术的演变景观。
May, 2024
介绍了 QMUL-SurvFace benchmark,提供了低分辨率监控图像的面部识别挑战,利用五个具有代表性的深度学习面部识别模型进行了评估,结果表明目前的技术仍然远不能满足实际的刑事犯罪调查需求。
Apr, 2018
该论文介绍了基于机器学习的人脸识别技术在 Web 系统中作为身份认证方法的应用,其中结合了 MTCNN、Facenet 和 LinearSVC 等多个算法进行人脸识别,最终实现了 95% 的准确率。
Mar, 2021
本文全面回顾了深度人脸识别的最近发展,涵盖了算法设计、数据库、协议和应用场景等广泛主题,概述了不同的网络架构和损失函数,将相关的面部处理方法分为 “一对多增强” 和 “多对一归一化” 两类,并总结和比较了常用的数据库用于模型训练和评估,最后强调了技术挑战和几个有前途的方向。
Apr, 2018
基于人工智能的人脸识别系统在全球范围内被广泛分发和部署,尤其在 COVID-19 大流行之后,用于从验证购买 SIM 卡的个人面孔到对公民的监视等任务。在这项研究中,我们对 14,722 张图像的五个基准数据集进行了模拟的验证 / 监视任务,审核了四个商业和九个开源人脸识别系统,测试不同类型的有口罩和无口罩图像之间的面部再识别。结果发现大约三个商业系统和五个开源系统非常不准确,并且进一步加剧了对非白人个体的偏见。这表明系统设计者、立法者和用户需要重新思考人脸识别系统的设计原则,特别是在面部再识别任务中,认识到观察到的偏见问题。
Feb, 2024
该研究介绍了三种人脸访问模型,使用深假面替换未经批准的面孔,并提出了适用于此任务的新度量标准,通过在真实数据集和两个合成数据集上测试,证明了该系统的有效性,并对相似性度量、深假面生成器和数据集进行了广泛分析。
Nov, 2022