এক থিয়েটারের ভূত মুখ শনাক্তকরণকে বোকা বানায়

মুখ শনাক্তকরণ এখন ফোন আনলক করে, অর্থপ্রদান অনুমোদন করে এবং সীমান্তে যাত্রীদের যাচাই করে। গবেষণাপত্রটি বলছে, এর নিউরাল নেটওয়ার্ক মানুষের চেয়ে বেশি নির্ভুল। নির্ভরতা যত বাড়ে, একে বোকা বানানোর প্রলোভনও তত বাড়ে, তাই এই সিস্টেমগুলোতে দুই ধরনের পাহারাদার থাকে। প্রেজেন্টেশন-অ্যাটাক শনাক্তকারী গঠনবিন্যাস ও প্রাণের লক্ষণ পরীক্ষা করে ছাপা ছবি, পুনরায় চালানো ভিডিও বা মুখোশ খোঁজে। মর্ফ শনাক্তকারী খোঁজে ডিজিটালভাবে মেশানো মুখ, যা দুজন মানুষকে একটি ছবিতে মিলিয়ে তৈরি।

মঞ্চ থেকে আসা এক বিভ্রম

Tyler Fitzsimmons ও Adam Czajka (নটর ডেম বিশ্ববিদ্যালয়) একটি পুরোনো থিয়েটার-কৌশল আবার জাগিয়ে তুলেছেন: পেপার্স গোস্ট, যেখানে একটি হেলানো কাচের পাত একটি লুকোনো ছবি প্রতিফলিত করে, ফলে মনে হয় একটি “ভূত” মঞ্চে দাঁড়িয়ে আছে।

তাঁদের “গোস্ট অ্যাটাক”-এ প্রতিফলনটি ক্যামেরার সামনের মুখের ওপর আরেকটি পরিচয়ের মুখ বসিয়ে দেয়। একজন মানুষ দর্শকের চোখে ব্যক্তিটিকে মোটামুটি স্বাভাবিক দেখায়, সামান্য ঝাপসা বা একটি ঝলকে আংশিক ঢাকা। সফটওয়্যারের কাছে দুটি মুখ মিশে তৈরি হয় একটি সংকর মুখচিহ্ন।

আক্রমণটি ঘটে সেন্সর আর মানুষের মাঝখানের ফাঁকা জায়গায়। এর জন্য শনাক্তকরণ সফটওয়্যার, তার অভ্যন্তরীণ অবস্থা বা তার সিদ্ধান্তে প্রবেশাধিকার লাগে না, ক্যামেরার হার্ডওয়্যারেও নয়: এটি একটি বিশুদ্ধ ব্ল্যাক-বক্স আক্রমণ হিসেবে কাজ করে। লেখকেরা একে এই ধরনের প্রথম ভৌত আক্রমণ হিসেবে উপস্থাপন করেন, যা প্রেজেন্টেশন অ্যাটাক আর মর্ফিংয়ের মাঝামাঝি।

যত্নশীল একটি গবেষণাগার-পরীক্ষা

গবেষকেরা জীবিত মানুষ ব্যবহার করেননি। আসল মুখগুলো ছিল একটি প্রমিত গবেষণা-ডেটাবেসের ছবি, একটি পর্দায় দেখিয়ে আবার ভিডিও করা; “ভূত” পরিচয়টি এসেছিল দ্বিতীয় একটি পর্দা থেকে, কাচে প্রতিফলিত হয়ে। এতে পদ্ধতিটি পুনরাবৃত্তিযোগ্য থাকে, এবং লেখকদের যুক্তি, জীবিত মানুষ নিলেও সিদ্ধান্ত বদলাত না। তাঁরা GhostFace নামে একটি ডেটাসেট তৈরি করেন, যাতে লিঙ্গ, উৎস ও বয়সে বৈচিত্র্যময় 100টি পরিচয় আছে, ক্রমবর্ধমান আক্রমণ-শক্তিতে রেকর্ড করা।

এরপর আন্তর্জাতিক পরীক্ষা-মান মেনে তাঁরা এটি ব্যাপকভাবে ব্যবহৃত ওপেন-সোর্স সিস্টেমের বিরুদ্ধে চালান: পাঁচটি ফেস ম্যাচার, তিনটি স্পুফ শনাক্তকারী আর চারটি মর্ফ শনাক্তকারী।

তিন পাহারাদার, সবাই বোকা বনেছে

স্পুফ শনাক্তকারীরা পূর্ণ-শক্তির আক্রমণের 80% থেকে 96% ছবিকে জীবিত, আসল মুখ হিসেবে শ্রেণিবদ্ধ করেছে। সবচেয়ে সংবেদনশীলটিও মোটামুটি পাঁচটির মধ্যে চারটি পার হতে দিয়েছে।
ডিজিটাল মর্ফে প্রশিক্ষিত মর্ফ শনাক্তকারীরা কঠোর সেটিংয়ে আক্রমণের 16% থেকে 61% ছবি ধরতে পারেনি, যদিও কখনো কোনো আসল মুখকে ভুল চিহ্নিত করেনি। লেখকদের সিদ্ধান্ত, ডিজিটাল মিশ্রণে প্রশিক্ষিত মডেল আলোকীয় মিশ্রণ নির্ভরযোগ্যভাবে ধরতে পারে না।
ফেস ম্যাচাররা বিভিন্ন হারে প্রতারকদের গ্রহণ করেছে। সবচেয়ে দুর্বলটি, ArcFace, পরীক্ষিত সীমায় আক্রমণের 32.75% ছবিকে লক্ষ্যব্যক্তি হিসেবে গ্রহণ করেছে, এবং 100টি আক্রমণ-ভিডিওর 99টিতে অন্তত একটি ছবি। পরীক্ষিত সবচেয়ে নতুন মডেলটিও কঠোরতর সীমায় 7% গ্রহণ করেছে। সবচেয়ে প্রতিরোধী, MagFace, যা সিদ্ধান্তে ছবির মান বিবেচনায় নেয়, গ্রহণ করেছে 1%-এরও কম।

কখনো কখনো মেশানো মুখটিকে দুজনের কারও হিসেবেই নয়, বরং ডেটাবেসের একটি তৃতীয় পরিচয় হিসেবে চেনা হয়েছে।

অন্ধবিন্দুটি বন্ধ করা

লেখকেরা একটি গুরুত্বপূর্ণ অন্ধবিন্দুর বর্ণনা দেন: বর্তমান বায়োমেট্রিক সিস্টেমগুলো স্বচ্ছ প্রক্ষেপণকে হিসাবে রাখে না, এবং গবেষণাপত্রটি গঠনবিন্যাস-ভিত্তিক জীবন্ততা-যাচাই এবং কেবল ডিজিটাল ছবিতে প্রশিক্ষিত মর্ফ শনাক্তকারী, দুটোরই সীমাবদ্ধতা দেখায়। গবেষণাটি এখনও ওপেন-সোর্স মডেল আর পুনরায় তোলা ছবি দিয়ে করা একটি গবেষণাগার-প্রদর্শনী। আরও গবেষণায় সহায়তার জন্য লেখকেরা অনুরোধে অন্য দলগুলোকে GhostFace ডেটাসেট দেন, যাতে মুখ শনাক্তকরণ, স্পুফ শনাক্তকরণ আর মর্ফ শনাক্তকরণ একসঙ্গে পরীক্ষার একটি নতুন মানদণ্ড পাওয়া যায়।