Οι μάσκες «βραχυκυκλώνουν» την τεχνολογία αναγνώρισης προσώπου

Δεν αποτελεί ακριβώς έκπληξη, αλλά περισσότερο σημείο των καιρών – της εποχής του κορωνοϊού συγκεκριμένα: Όπως έδειξε προκαταρκτική έρευνα του NIST (National Institute of Standars and Technology) στις ΗΠΑ, οι αλγόριθμοι αναγνώρισης προσώπου που, προ πανδημίας, θεωρούνταν πως αποτελούν έναν από τους πλέον πολλά υποσχόμενους ανερχόμενους τομείς τεχνολογίας (με μεγάλο εύρος εφαρμογών, που πολύ συχνά προκαλούσαν προβληματισμούς), δεν τα καταφέρνουν καθόλου καλά απέναντι στις μάσκες, που χρησιμοποιούνται ευρύτατα πλέον για τον έλεγχο της εξάπλωσης του κορωνοϊού.

Σύμφωνα με την έρευνα, ακόμα και οι καλύτεροι από τους 89 εμπορικά διαθέσιμους αλγορίθμους αναγνώρισης προσώπου που δοκιμάστηκαν είχαν ποσοστά σφάλματος μεταξύ 5% και 50% όσον αφορά στην αντιστοίχιση μασκών προσώπου που είχαν τοποθετηθεί ψηφιακά σε φωτογραφίες σε σχέση με εικόνες του ίδιου προσώπου χωρίς μάσκα.

Τα αποτελέσματα δημοσιεύτηκαν ως NIST Interagency Report- η πρώτη από μια σειρά αναφορών στο πλαίσιο του προγράμματος Face Recognition Vendor Test (FRVT), με θέμα τις επιδόσεις των αλγορίθμων αναγνώρισης προσώπου σε πρόσωπα που καλύπτονται εν μέρει από προστατευτικές μάσκες.

«Με την άφιξη της πανδημίας, πρέπει να κατανοήσουμε πώς αντιμετωπίζει η τεχνολογία αναγνώρισης προσώπου τα μασκοφορεμένα πρόσωπα» είπε η Μέι Νγκαν, επιστήμονας υπολογιστών του NIST και μία εκ των συντελεστών της έρευνας. «Αρχίσαμε εστιάζοντας στο πώς ένας αλγόριθμος που αναπτύχθηκε πριν την πανδημία μπορεί να επηρεάζεται από τη χρήση μασκών προσώπου. Αργότερα μέσα στο καλοκαίρι, σχεδιάζουμε να δοκιμάσουμε την ακρίβεια των αλγορίθμων που αναπτύχθηκαν σκοπίμως έχοντας κατά νου τα μασκοφορεμένα πρόσωπα».

Για τους σκοπούς της έρευνας εφαρμόστηκαν ψηφιακά μάσκες διαφορετικών τύπων, και προέκυψαν κάποια γενικά συμπεράσματα. Μεταξύ αυτών ήταν πως η ακρίβεια έπεσε κατά πολύ: Κανονικά, χωρίς μάσκες, οι πιο ακριβείς αλγόριθμοι αποτυγχάνουν στο 0,3% των περιπτώσεων. Οι μάσκες αύξησαν το ποσοστό ακόμα και των καλύτερων στο 5%, ενώ άλλοι, κατά τα άλλα καλοί αλγόριθμοι, είχαν ποσοστό αποτυχίας 20%-50%. Επίσης, οι εικόνες με μάσκες συχνά έκαναν τους αλγορίθμους ανίκανους να επεξεργαστούν ένα πρόσωπο, καθώς δεν μπορούσαν να διαπιστώσουν ποια ήταν τα χαρακτηριστικά που χρησιμοποιούν για τις μετρήσεις τους. Ακόμη, διαπιστώθηκε πως, όσο μεγαλύτερο μέρος της μύτης καλύπτεται από τη μάσκα, τόσο χαμηλότερη η ακρίβεια.

Παράλληλα, βρέθηκε πως το σχήμα και το χρώμα μιας μάσκας παίζουν ρόλο (οι στρογγυλές μάσκες παρουσίαζαν χαμηλότερα επίπεδα σφάλματος, ενώ οι μαύρες μάσκες επίσης μειώνουν τις επιδόσεις συγκριτικά με τις μπλε χειρουργικές). Επίσης, βρέθηκε πως, αν και αυξήθηκαν τα «false negatives», όπου ο αλγόριθμος αποτυγχάνει να αντιστοιχίσει δύο εικόνες του ίδιου προσώπου, τα «false positives», όπου αντιστοιχίζει λανθασμένα δύο φωτογραφίες διαφορετικών ατόμων, έμειναν σε γνεικές γραμμές σταθερά.