Sieć neuronowa uczy się rozpoznawać przestępców po ich twarzach

Wkrótce po wynalezieniu fotografii kilku kryminologów zaczęło dostrzegać wzory na zdjęciach policyjnych, które robili przestępcom. Przestępcy, jak powiedzieli, mieli szczególne rysy twarzy, które pozwalały na zidentyfikowanie ich jako łamiących prawo.

Jednym z najbardziej wpływowych głosów w tej debacie był Cesare Lombroso, włoski kryminolog, który uważał, że przestępcy byli bliżej spokrewnionymi z małpami niż z praworządnymi obywatelami. Był przekonany, że potrafi je rozpoznać po małpich rysach, takich jak spadziste czoło, nietypowe uszy i różne asymetrie twarzy i długich ramion. Rzeczywiście, zmierzył wiele osób, aby udowodnić swój pogląd, chociaż nie analizował swoich danych statystycznie.

Ta wada doprowadziła ostatecznie do jego upadku. Poglądy Lombroso zostały zdyskredytowane przez angielskiego kryminologa Charlesa Goringa, który statystycznie przeanalizował dane dotyczące fizycznych nieprawidłowości u przestępców w porównaniu z osobami nie będącymi przestępcami. Doszedł do wniosku, że nie ma różnicy statystycznej.

I tam debata trwała do 2011 roku, kiedy grupa psychologów z Cornell University wykazała, że ​​ludzie całkiem dobrze odróżniają przestępców od nie-przestępców po prostu patrząc na ich zdjęcia. Jak to możliwe, jeśli nie ma statystycznie różnych cech?

Dziś otrzymujemy swego rodzaju odpowiedź dzięki pracy Xiaolin Wu i Xi Zhang z Shanghai Jiao Tong University w Chinach. Ci faceci użyli różnych algorytmów widzenia maszynowego, aby zbadać twarze przestępców i nie-kryminalistów, a następnie przetestowali je, aby dowiedzieć się, czy można je odróżnić.

Ich metoda jest prosta. Robią zdjęcia tożsamości 1856 chińskich mężczyzn w wieku od 18 do 55 lat bez zarostu. Połowa z tych mężczyzn to przestępcy.

Następnie wykorzystali 90 procent tych obrazów do wytrenowania splotowej sieci neuronowej w celu rozpoznania różnicy, a następnie przetestowali sieć neuronową na pozostałych 10 procentach obrazów.

Wyniki są niepokojące. Xiaolin i Xi odkryli, że sieć neuronowa może poprawnie identyfikować przestępców i osoby nie będące przestępcami z dokładnością do 89,5%. Twierdzą, że te wysoce spójne wyniki są dowodami na słuszność automatycznego wnioskowania na temat przestępczości indukowanego twarzą, pomimo historycznych kontrowersji wokół tego tematu.

Xiaolin i Xi twierdzą, że istnieją trzy cechy twarzy, które sieć neuronowa wykorzystuje do klasyfikacji. Są to: krzywizna górnej wargi, która jest średnio o 23 procent większa u przestępców niż u osób nie będących przestępcami; odległość między dwoma wewnętrznymi kącikami oczu, która jest o 6 procent krótsza; oraz kąt między dwiema liniami narysowanymi od czubka nosa do kącików ust, który jest o 20 procent mniejszy.

Następnie wykreślają wariancję danych z twarzy przestępczych i niekryminalnych w uproszczonej przestrzeni parametrów zwanej rozmaitością. Ten proces pokazuje, dlaczego trudno było określić różnicę.

Xiaolin i Xi pokazują, że te zbiory danych są koncentryczne, ale dane dotyczące twarzy przestępców mają znacznie większą rozbieżność. Innymi słowy, twarze ogółu praworządnej publiczności są bardziej podobne do twarzy przestępców lub przestępcy mają wyższy stopień odmienności w wyglądzie twarzy niż normalni ludzie, mówią Xiaolin i Xi.

Może to również wyjaśniać, dlaczego niektóre rodzaje testów statystycznych nie mogą rozróżniać tych zestawów danych. Rzeczywiście, Xiaolin i Xi pokazują, że kiedy łączą twarze przestępców i nie przestępców, aby stworzyć przeciętne twarze, wyglądają prawie identycznie.

Ten wynik, choć kontrowersyjny, nie jest całkowicie nieoczekiwany. Jeśli ludzie potrafią dostrzec przestępców, patrząc na ich twarze, jak stwierdzili psychologowie w 2011 roku, nie powinno dziwić, że potrafią to również maszyny.

Martwi się oczywiście, w jaki sposób ludzie mogą używać tych maszyn. Nietrudno sobie wyobrazić, jak ten proces można zastosować do zbiorów danych, na przykład zdjęć paszportowych lub praw jazdy dla całego kraju. Byłoby wtedy możliwe wyłapanie osób zidentyfikowanych jako łamacze prawa, bez względu na to, czy popełnili przestępstwo.

To jest rodzaj Raport mniejszości scenariusz, w którym przestępcy mogli zostać zidentyfikowani, zanim popełnili przestępstwo.

Oczywiście ta praca musi być postawiona na znacznie mocniejszych podstawach. Musi być reprodukowany w różnym wieku, płci, pochodzeniu etnicznym i tak dalej. I na znacznie większych zbiorach danych. Powinno to pomóc w rozwikłaniu złożoności ustaleń. Na przykład Xiaolin i Xi odkryli, że twarze przestępców można podzielić na cztery podgrupy, ale twarze nie przestępców tylko na trzy. Dlaczego? A jak to się różni w innych grupach?

A praca rodzi ważne pytania. Jeśli wynik zawiera wodę, jak to wytłumaczyć? Dlaczego twarze przestępców miałyby być znacznie bardziej zróżnicowane niż twarze przestępców? I jak jesteśmy w stanie rozpoznać te twarze — czy to wyuczone zachowanie, czy też zakodowane zachowanie, które ewoluowało?

Wszystko to zwiastuje nową erę antropometrii, kryminalnej lub innej. W zeszłym tygodniu naukowcy ujawnili, w jaki sposób wyszkolili maszynę do głębokiego uczenia się, aby w taki sam sposób jak ludzie oceniali, czy ktoś jest godny zaufania, patrząc na migawkę jego twarzy. Ta praca to kolejne podejście do tego samego tematu. W miarę jak maszyny stają się coraz bardziej wydajne, jest miejsce na znacznie więcej badań. Badanie tego, co mówią o nas nasze ubrania lub włosy, to jeden oczywisty punkt widzenia. Niedługo również maszyny będą mogły badać ruch. Daje to możliwość badania tego, jak się poruszamy, jak wchodzimy w interakcje i tak dalej.

Nr ref.: arxiv.org/abs/1611.04135 : Automatyczne wnioskowanie o przestępczości za pomocą obrazów twarzy

ukryć