211service.com
Nevrale nettverk lærer å identifisere kriminelle etter ansiktene deres
Rett etter oppfinnelsen av fotografiet begynte noen få kriminologer å legge merke til mønstre i mugshots de tok av kriminelle. Lovbrytere, sa de, hadde spesielle ansiktstrekk som gjorde at de kunne identifiseres som lovbrytere.
En av de mest innflytelsesrike stemmene i denne debatten var Cesare Lombroso, en italiensk kriminolog, som mente at kriminelle var tilbakevendinger som var nærmere knyttet til aper enn lovlydige borgere. Han var overbevist om at han kunne identifisere dem ved ape-lignende trekk som en skrånende panne, uvanlig store ører og ulike asymmetrier i ansiktet og lange armer. Faktisk målte han mange fag i et forsøk på å bevise sitt syn, selv om han ikke analyserte dataene hans statistisk.
Denne mangelen førte til slutt til hans fall. Lombrosos synspunkter ble diskreditert av den engelske kriminologen Charles Goring, som statistisk analyserte dataene knyttet til fysiske abnormiteter hos kriminelle kontra ikke-kriminelle. Han konkluderte med at det ikke var noen statistisk forskjell.
Og der hvilte debatten til 2011, da en gruppe psykologer fra Cornell University viste at folk faktisk var ganske flinke til å skille kriminelle fra ikke-kriminelle bare ved å se på bilder av dem. Hvordan kan det være hvis det ikke er statistisk forskjellige funksjoner?
I dag får vi et slags svar, takket være arbeidet til Xiaolin Wu og Xi Zhang fra Shanghai Jiao Tong University i Kina. Disse gutta har brukt en rekke maskinsynsalgoritmer for å studere ansikter til kriminelle og ikke-kriminelle, og deretter testet det for å finne ut om det kan se forskjellen.
Metoden deres er grei. De tar ID-bilder av 1856 kinesiske menn mellom 18 og 55 år uten ansiktshår. Halvparten av disse mennene var kriminelle.
De brukte deretter 90 prosent av disse bildene til å trene et konvolusjonelt nevralt nettverk til å gjenkjenne forskjellen og testet deretter nevrale nettet på de resterende 10 prosentene av bildene.
Resultatene er foruroligende. Xiaolin og Xi fant ut at det nevrale nettverket kunne identifisere kriminelle og ikke-kriminelle korrekt med en nøyaktighet på 89,5 prosent. Disse svært konsistente resultatene er bevis for gyldigheten av automatisert ansiktsindusert slutning om kriminalitet, til tross for den historiske kontroversen rundt emnet, sier de.
Xiaolin og Xi sier at det er tre ansiktstrekk som det nevrale nettverket bruker til å klassifisere. Disse er: krumningen av overleppen som i gjennomsnitt er 23 prosent større for kriminelle enn for ikke-kriminelle; avstanden mellom to indre hjørner av øynene, som er 6 prosent kortere; og vinkelen mellom to linjer trukket fra nesetippen til munnvikene, som er 20 prosent mindre.
De fortsetter med å plotte variansen i dataene fra kriminelle og ikke-kriminelle ansikter i et forenklet parameterrom kalt en manifold. Og denne prosessen avslører hvorfor forskjellen har vært vanskelig å fastslå.
Xiaolin og Xi viser at disse datasettene er konsentriske, men at dataene for kriminelle ansikter har mye større variasjon. Med andre ord, ansiktene til allmenn lovlydende offentlighet har en større grad av likhet sammenlignet med ansiktene til kriminelle, eller kriminelle har en høyere grad av ulikhet i ansiktsutseende enn normale mennesker, sier Xiaolin og Xi.
Dette kan også forklare hvorfor visse typer statistiske tester ikke kan skille mellom disse datasettene. Faktisk viser Xiaolin og Xi at når de kombinerer kriminelle og ikke-kriminelle ansikter for å lage gjennomsnittlige ansikter, ser de nesten identiske ut.
Selv om det er kontroversielt, er resultatet ikke helt uventet. Hvis mennesker kan oppdage kriminelle ved å se på ansiktene deres, som psykologer fant i 2011, bør det ikke komme som noen overraskelse at maskiner også kan gjøre det.
Bekymringen er selvfølgelig hvordan mennesker kan bruke disse maskinene. Det er ikke vanskelig å forestille seg hvordan denne prosessen kan brukes på datasett med for eksempel pass- eller førerkortbilder for et helt land. Det ville da være mulig å plukke ut de personene som er identifisert som lovbrytere, enten de har begått en forbrytelse eller ikke.
Det er en slags Minoritetsrapport scenario der lovbrytere kunne identifiseres før de hadde begått en forbrytelse.
Selvfølgelig må dette arbeidet settes på et mye sterkere grunnlag. Det må reproduseres med ulike aldre, kjønn, etnisitet og så videre. Og på mye større datasett. Det bør bidra til å pirre fra hverandre kompleksiteten i funnene. For eksempel finner Xiaolin og Xi at kriminelle ansikter kan deles inn i fire undergrupper, men ikke-kriminelle ansikter i bare tre. Hvorfor det? Og hvordan varierer dette i andre grupper?
Og arbeidet reiser viktige spørsmål. Hvis resultatet holder vann, hvordan skal det forklares? Hvorfor skulle ansiktene til kriminelle ha mye større variasjon enn ikke-kriminelle? Og hvordan er vi i stand til å oppdage disse ansiktene – er det innlært atferd eller fast oppførsel som har utviklet seg?
Alt dette varsler en ny æra av antropometri, kriminelt eller annet. Forrige uke avslørte forskere hvordan de hadde trent en dyplæringsmaskin til å bedømme på samme måte som mennesker om noen var til å stole på ved å se på et øyeblikksbilde av ansiktet deres. Dette arbeidet er en annen variant av samme tema. Og det er rom for mye mer forskning ettersom maskinene blir mer kapable. Å undersøke hva klærne eller håret vårt sier om oss er en åpenbar vinkel. Og maskiner vil snart kunne studere bevegelse også. Det øker muligheten for å studere hvordan vi beveger oss, hvordan vi samhandler, og så videre.
Ref: arxiv.org/abs/1611.04135 : Automatisert slutning om kriminalitet ved bruk av ansiktsbilder