Los algoritmos de reconocimiento facial están mejorando su precisión al identificar personas con mascarilla

Las mascarillas han supuesto un problema para los sistemas de reconocimiento facial. Al fin y al cabo, estos algoritmos se valen de la posición de los ojos, la nariz y la boca para identificar a los usuarios, algo que en pleno 2020, en plena pandemia, es complicado debido a la obligación de llevar mascarillas que se ha impuesto en muchos países. Que los algoritmos fallan más cuando intentan reconocer a una persona con mascarilla no es un secreto, pero tampoco lo es que están mejorando.

Un nuevo estudio del National Institute of Standards and Technology de Estados Unidos (NIST, por sus siglas en inglés), así lo confirma. El NIST lleva desde mayo estudiando cómo rinden los algoritmos de reconocimiento facial. Los estudios de julio y agosto demostraban que algunos algoritmos fallaban muchísimo, hasta el 50% de las veces, pero los resultados del último informe, publicado esta misma semana, demuestran que el rendimiento de los algoritmos de reconocimiento facial detectando a personas con mascarillas ha mejorado tanto que es "comparable al estado del arte [de los algoritmos de reconocimiento facial] con personas sin mascarilla de mediados de 2017".

65 algoritmos y 6.200.000 millones de imágenes

Ejemplos de imágenes (originales y editadas) usadas en el estudio.

El estudio del NIST no es un estudio cualquiera. Para la edición de diciembre han probado 65 algoritmos con 6,2 millones de imágenes. Los resultados del estudio dejan ver una importante evolución. Es cierto que los algoritmos siguen fallando cuando la persona lleva mascarilla, pero bastante menos.

En Xataka

Si las vacunas de ARNm tienen éxito, estaremos ante uno de los grandes hitos en la historia de la ciencia

De acuerdo al NIST, los algoritmos más precisos tienen una tasa de error del 0,3% al detectar a personas sin mascarilla. Con los algoritmos más precisos y una mascarilla cubriendo el 70% de la cara, la tasa de error es del alrededor del 5%. Los algoritmos menos precisos siguen fallando, pero la tasa de error oscila entre el 10% y el 40%. En palabras del NIST:

"Para algunos desarrolladores, las tasas de falso rechazo en sus algoritmos presentados desde mediados de marzo de 2020 disminuyeron hasta en un factor de diez sobre sus algoritmos prepandémicos, lo que es una prueba de que algunos proveedores están adaptando sus algoritmos para gestionar las máscaras faciales".

Ejemplos de la mejora del rendimiento en algunos algoritmos y en diferentes contextos.

Otras conclusiones interesantes tienen que ver con el color y el tamaño de la mascarilla. En el estudio aplicaron mascarillas rojas, azul claro, rojas y negras. Las mascarillas negras y rojas provocan más fallos que las blancas y azules, no se sabe bien por qué. Además, las mascarillas más grandes también desembocan en más errores de detección.

El conjunto de imágenes consta de fotografías "recogidas en la solicitudes del gobierno de los Estados Unidos que están actualmente en funcionamiento", a saber "fotografías de solicitud de una población mundial de solicitantes de prestaciones de inmigración y fotografías de cruce de fronteras de viajeros que entran en los Estados Unidos". Afirman que "ambos conjuntos de datos se recopilaron para los procesos de viaje o de inmigración autorizados".

Estas fotografías fueron editadas digitalmente para añadir una mascarilla a la cara en caso de ser necesario y, de esa manera, variar la forma, el color y la cobertura de la nariz. Cabe destacar que el estudio se basa en coincidencias uno-uno, es decir, comparaban si el algoritmo era capaz de enlazar la foto con la mascarilla añadida digitalmente con la misma foto sin mascarilla.

Son condiciones "ideales", entre comillas, pero en el mundo real es más complicado, ya que hay mascarillas de diferentes formas, colores y tamaños y, además, habría que sumarle otros problemas como la luz o la calidad de imagen. Es decir, que aunque los resultados del informen demuestran que los algoritmos han mejorado reconociendo a personas con mascarillas, todavía no son perfectos ni se puede decir que hayan conseguido sobreponerse a las mascarillas.

El estudio es consciente de sus propias limitaciones. Por ejemplo, señalan que no entrenan u optimizan los algoritmos, que no hacen evaluaciones one-to-many, que no han considerado el efecto que tendrían elementos como las gafas y que no tienen los recursos para recoger fotos de personas con mascarilla, ergo no tienen en cuentan las diferentes texturas de las mismas. Dicho en pocas palabras, los algoritmos están mejorando, pero todavía hay que ponerlos a prueba en entornos más reales para conocer su rendimiento real.

Vía | CNET
Más información | NIST (PDF)

via Robótica e IA - Xataka https://ift.tt/3g5tgSQ