Cuando los viajes diarios eran una cosa, casi 200 neoyorquinos se apiñaban en un vagón de metro durante las horas pico. Digamos que eres uno de esos 200 y echas un vistazo rápido alrededor del automóvil antes de que llegue a tu estación. Ahora, imagine tener la capacidad de conectar una de esas caras con imágenes de CCTV granuladas o fotos antiguas disponibles en una base de datos policial.
Foto: Archivo
No es una habilidad común, pero existe. Los superreconocedores, como se les llama, son personas que poseen una capacidad de reconocimiento facial significativamente mejor que el promedio, a menudo capaces de memorizar y recordar miles de rostros que solo los han visto una vez. La policía de Londres emplea una unidad de superreconocedores, pero aún son poco comunes y raros.
Desde 2018, el investigador del Instituto Nacional de Estándares y Tecnología (NIST) Jonathan Phillips y su equipo multiinstitucional han estado profundizando en la precisión de los superreconocidores, examinadores forenses y algoritmos de reconocimiento facial. El trabajo más reciente de Phillips, que presentó la semana pasada en la conferencia virtual Forensic @ NIST , indica que no hay diferencias estadísticas entre examinadores y súper reconocedores. Y aunque ambos son buenos en su trabajo, fusionar examinadores humanos con un algoritmo de reconocimiento facial proporciona mejores resultados.
Para el estudio, Phillips identificó cuatro grupos de asignaturas distintos: examinadores forenses faciales, superreconocedores, examinadores de huellas dactilares sin experiencia facial y estudiantes de pregrado. El equipo de investigación también eligió cuatro algoritmos basados en redes neuronales para examinar 20 pares de imágenes faciales que fueron preseleccionadas como "extremadamente desafiantes".
Foto: Un diagrama de violín que muestra los resultados del estudio de Jonathan Phillips sobre el desempeño de examinadores faciales, revisores faciales, súper reconocedores, estudiantes y cuatro algoritmos.
Si bien el grupo de estudiantes se incorporó como representante de la población general, la inclusión de examinadores forenses de huellas dactilares fue una opción interesante.
“Podría ser que cualquier persona que esté acostumbrada a hacer coincidir patrones, o que tenga experiencia y capacitación en la coincidencia de patrones en medicina forense, pueda desempeñarse tan bien como examinadores. Entonces, los usamos como grupo de control forense ”, explicó Phillips durante su presentación.
El análisis estadístico de los resultados del estudio reveló que los examinadores y los superreconocedores realizaron lo mismo como grupo. Además, los examinadores se desempeñaron mejor que los examinadores de huellas dactilares, lo que indica que el entrenamiento facial y la experiencia son realmente importantes. Con la excepción del grupo de estudiantes, los tres grupos restantes tienen al menos una persona que obtuvo un puntaje perfecto en la prueba.
Los algoritmos siguieron una línea de tendencia similar. El algoritmo A2015 fue comparable al estudiante promedio, A2016 fue comparable a los examinadores de huellas dactilares, A2017a fue comparable a los súper reconocedores de medios y A2017b fue comparable a los mejores examinadores faciales.
La segunda parte del estudio combinó el desempeño de examinadores humanos y algoritmos para cuantificar los resultados desde esa perspectiva única. Para hacer esto, Phillips y su equipo promediaron las puntuaciones entre examinadores y algoritmos en un proceso llamado "fusión".
“La razón por la que elegimos la fusión fue porque hay un trabajo clásico en la visión por computadora en el que simplemente tomar el promedio lo lleva a donde necesita ir”, explicó Phillips. "Además, en nuestro caso, no se corre el riesgo de una generalización excesiva en un conjunto de datos relativamente pequeño, por lo que hacemos pocas suposiciones".
Un examinador fusionado con A2017b, que se desempeñó mejor inicialmente, ilustró los mejores resultados. Sin embargo, la combinación de un examinador con A2017a y un examinador con A2016 se comportó estadísticamente igual que dos examinadores humanos trabajando juntos.
“Los resultados han sido de interés para la comunidad en términos de cómo integrar algoritmos y examinadores en el proceso, y luego hacer que los examinadores escriban el informe y testifiquen en la corte que así es como combinaron los dos”, dijo Phillips.
Basado en los resultados del estudio, Phillips y su equipo ahora buscan ejecutar una comprensión más profunda de los examinadores y las cualidades que poseen. Por ejemplo, ¿son mejores los examinadores cuando miran un rostro rápidamente o si lo estudian con el tiempo? Además, ¿cómo afectan las comparaciones entre razas a la precisión? ¿Qué pasa con los disfraces, o incluso las máscaras faciales en la era de COVID-19?
El equipo también está investigando la necesidad de diferentes conjuntos de pruebas de reconocimiento facial basadas en la capacidad de los participantes, así como qué diferencia a los examinadores y superreconocidores entre sí y de la población en general.
Autor: Michelle Taylor
Aretículo Original: https://www.forensicmag.com/570142-Who-is-Better-at-Face-Recognition-Algorithms-or-People/
Si te gustó esta nota, no olvides registrarte en nuestra comunidad para recibir notificaciones, promociones, noticias y más.
visita nuestra web www.celainfob.com y suscríbete a la página para enterarte de todas las propuesta académica con respaldo de importantes casas de estudios que tenemos para ti.