Key takeaways
- Ansiktsigenkänningsalgoritmer blir bättre på att läsa ansikten med masker på.
- En ny studie visar på begränsningar för hur en algoritm kan läsa en ansiktsmask, till exempel maskens färg och form.
- Experter säger att ansiktsigenkänningsindustrin aktivt arbetar för att inkludera ansiktsmasker i sina algoritmer.
Många industrier har behövt anpassa sig till pandemin, inklusive ansiktsigenkänningsindustrin. Experter säger att tekniken sakta blir bättre på att känna igen människor som bär ansiktsmasker.
En ny rapport publicerad av National Institute of Standards and Technology (NIST) visar resultaten av 65 nya ansiktsigenkänningsalgoritmer som skapats efter starten av COVID-19-pandemin, samt 87 algoritmer som skickats in före pandemin. Rapporten avslöjade att mjukvaruutvecklare blir bättre på att utveckla algoritmer som känner igen maskerade ansikten, till och med att bli lika exakta som vanliga ansiktsigenkänningsalgoritmer.
"Medan ett fåtal pre-pandemiska algoritmer fortfarande är inom de mest exakta på maskerade bilder, har vissa utvecklare skickat in algoritmer efter pandemin som visar avsevärt förbättrad noggrannhet och är nu bland de mest exakta i vårt test", står det i rapporten..
Vad studien fann
Studien var den andra i sitt slag som genomfördes av NIST med samma datauppsättning avsedd att testa ansiktsigenkänningsalgoritmer och deras noggrannhet i närvaro av ansiktsmasker. Rapportens författare använde 6,2 miljoner foton och tillämpade simuleringar av olika digitala maskkombinationer på dessa bilder.
Mei Ngan, medförfattare till rapporten och datavetare vid NIST, sa i en telefonintervju till Lifewire att närvaron av ansiktsmasker i huvudsak har tagit ansiktsigenkänningstekniken tillbaka omkring två till tre år.
"Felfrekvensen är någonstans mellan 2,5 % och 5 % - jämförbar med den senaste tekniken 2017", sa hon.
En tidigare rapport från NIST som publicerades i juli tittade på prestandan för ansiktsigenkänningsalgoritmer som lämnats in före mars 2020, innan Världshälsoorganisationen utropade en global pandemi. Denna första studie fann att felfrekvensen för dessa pre-pandemiska algoritmer var mellan 5 % och 50 %.
Även om dessa algoritmer blir bättre på att läsa maskerade ansikten, fann den nyare studien att vissa faktorer påverkar felfrekvensen, till exempel maskens färg (mörkare masker som röd eller svart har högre felfrekvens) och hur masken är format (rundare maskformer har lägre felfrekvens).
Ngan sa att algoritmerna använder den synliga delen av någons ansikte, såsom regionen runt ögonen och pannan, för att känna igen ansiktsdrag i stället för att läsa igenom själva masken.
Framtiden för ansiktsigenkänning och ansiktsmasker
Ngan sa att det är uppenbart att utvecklare har gjort betydande förbättringar med sina ansiktsigenkänningsalgoritmer när det kommer till ansiktsmasker.
"Det finns helt klart ett behov av system för ansiktsigenkänning att fungera under begränsningarna av att bära ansiktsmasker", sa hon. "Med tanke på de saker vi har gjort och resultaten från vår senaste studie, ser vi att ansiktsigenkänningsindustrin aktivt arbetar för att inkludera ansiktsmasker i sina algoritmer."
Eftersom tekniken förbättras betyder det att det blir lättare att göra saker som att låsa upp våra telefoner medan vi bär en ansiktsmask, men det finns andra konsekvenser när det kommer till att ansiktsigenkänning utvecklas på detta sätt.
Många studier visar att ansiktsigenkänning är allmänt rapporterat att felidentifiera fel person och ha rasistiska fördomar. En studie från 2019 av NIST visade att ansiktsigenkänningsteknik felidentifierar svarta och asiatiska människor upp till 100 gånger oftare än vita människor.
Även om tekniken blir bättre på att läsa ansiktsmasker, kan felprocenten - oavsett hur liten - fortfarande vara ett problem för att felidentifiera en person som bär en ansiktsmask.
Medan den senaste NIST-rapporten visar att algoritmer blir bättre på att hantera ansiktsmaskuppgiften, sa Ngan att bara tiden kommer att utvisa om det verkligen är dit framtiden för ansiktsigenkänning är på väg under pandemitider.
"Kanske kan vi förvänta oss ytterligare felminskningar, eller så kanske utvecklare kan hitta begränsningar för mängden unik information i den omaskerade regionen", sa Ngan.
