اک تھیٹر دا بھوت چہرے دی پچھان نوں دھوکا دیندا اے

چہرے دی پچھان ہُن فون کھولدی اے، ادائیگیاں منظور کردی اے تے سرحداں اُتے مسافراں نوں جانچدی اے۔ مقالے موجب، اوہدے نیورل نیٹ ورک انساناں توں ودھ درست نیں۔ جیویں جیویں ایہدے اُتے بھروسا ودھدا اے، اونج ای ایہنوں دھوکا دین دا لالچ وی ودھدا اے، تے ایہناں سسٹماں کول دو قسم دے پہرے دار ہوندے نیں۔ پیشکش حملہ پھڑن والے (presentation-attack detectors) بناوٹ تے جیوندے ہون دے نشان جانچ کے چھپیاں فوٹواں، دوبارہ چلائیاں ویڈیوز یا نقاب لبھدے نیں۔ رلے چہرے پھڑن والے (morph detectors) ڈیجیٹل طور تے رلائے چہرے لبھدے نیں، جیہڑے دو بندیاں نوں اک تصویر وچ جوڑ کے بنائے جاندے نیں۔

سٹیج توں اک بھلیکھا

ٹائلر فٹزسیمنز تے ایڈم چائیکا (نوٹر ڈیم یونیورسٹی) اک پرانی تھیٹر چال نوں جیوندا کردے نیں: پیپر دا بھوت، جیہدے وچ شیشے دی اک ٹیڈھی تختی اک لُکی تصویر دا عکس پاندی اے تاں جو سٹیج اُتے اک “بھوت” کھلوتا لگے۔

اوہناں دے “بھوت حملے” (Ghost Attack) وچ، عکس کیمرے دے سامنے والے چہرے اُتے کسے ہور شناخت دا چہرا چڑھا دیندا اے۔ ویکھن والے بندے نوں، اوہ بندہ کافی عام لگدا اے، تھوڑا دھندلا یا کسے لشک نال ادھا لُکیا۔ سافٹ ویئر لئی، دوویں چہرے اک رلے ملے چہرے دے دستخط وچ گھُل جاندے نیں۔

حملہ سینسر تے بندے وچکار خالی تھاں وچ ہوندا اے۔ ایہنوں پچھان والے سافٹ ویئر، اوہدی اندرلی حالت یا اوہدے فیصلیاں تک، تے نہ کیمرے دے ہارڈ ویئر تک کوئی پہنچ چاہیدی اے: ایہہ اک نرا کالا ڈبا (black-box) حملہ وانگ کم کردا اے۔ لکھاری ایہنوں اپنی قسم دا پہلا جسمانی حملہ دسدے نیں، جیہڑا پیشکش حملیاں تے رلاوٹ دے وچکار آندا اے۔

اک دھیان والا لیبارٹری ٹیسٹ

کھوجیاں نے جیوندے بندے نئیں ورتے۔ اصلی چہرے اک معیاری کھوج ڈیٹا بیس دیاں فوٹواں سن، جیہڑیاں اک سکرین اُتے وکھا کے دوبارہ فلمائیاں گئیاں؛ “بھوت” شناخت اک دوجی سکرین توں آندی سی، جیہدا عکس شیشے وچ پیندا سی۔ ایہہ طریقہ کار نوں دوہرایا جان یوگ رکھدا اے، تے لکھاری دلیل دیندے نیں کہ جیوندے بندے نتیجے نئیں بدلدے۔ اوہناں نے GhostFace ناں دا اک ڈیٹا سیٹ بنایا، جیہدے وچ جنس، پچھوکڑ تے عمر وچ وکھریاں 100 شناختاں نیں، ودھدی حملہ شدت اُتے ریکارڈ کیتیاں۔

فیر اوہناں نے ایہنوں، بین الاقوامی ٹیسٹ معیاراں موجب، عام ورتے جان والے کھلے سورس سسٹماں دے خلاف چلایا: پنج چہرہ ملان والے، تِن جعل سازی پھڑن والے تے چار رلے چہرے پھڑن والے۔

تِن پہرے دار، تِنے دھوکا کھا گئے

• جعل سازی پھڑن والیاں نے پوری شدت والیاں حملہ تصویراں وچوں 80٪ توں 96٪ نوں جیوندے، اصلی چہرے گنیا۔ سب توں حساس والے نے وی لگ بھگ پنجاں وچوں چار لنگھن دتیاں۔
• ڈیجیٹل رلاوٹاں اُتے سکھائے گئے رلے چہرے پھڑن والیاں نے، سخت سیٹنگ اُتے، حملہ تصویراں دا 16٪ توں 61٪ نئیں پھڑیا، جدکہ اصلی چہرے نوں کدی غلط نشان نئیں لایا۔ لکھاری ایس نتیجے اُتے اپڑدے نیں کہ ڈیجیٹل رلاوٹاں اُتے سکھائے ماڈل نظری (optical) رلاوٹاں نوں بھروسے نال نئیں پھڑدے۔
• چہرہ ملان والیاں نے بہروپیاں نوں وکھ وکھ شرحاں نال منیا۔ سب توں کمزور، ArcFace، نے جانچی گئی حد اُتے حملہ تصویراں دے 32.75٪ نوں نشانے والا بندہ من لیا، تے 100 حملہ ویڈیوز وچوں 99 وچ گھٹو گھٹ اک تصویر۔ جانچیا گیا سب توں نواں ماڈل، سخت حد اُتے وی، 7٪ من گیا۔ سب توں مضبوط، MagFace، جیہڑا اپنے فیصلیاں وچ تصویر دی کوالٹی وی تولدا اے، نے 1٪ توں گھٹ منیا۔

کدی کدی رلیا چہرا دوواں وچوں کسے بندے وانگ نئیں، سگوں ڈیٹا بیس وچوں اک تیجی شناخت وانگ پچھانیا گیا۔

انھے نقطے نوں بند کرنا

لکھاری اک اہم انھا نقطہ بیان کردے نیں: موجودہ بائیو میٹرک سسٹم شفاف عکساں نوں گندے نئیں، تے مقالہ بناوٹ اُتے ٹکی جیوندے ہون دی جانچ تے صرف ڈیجیٹل تصویراں اُتے سکھائے رلے چہرے پھڑن والیاں، دوواں دیاں حداں وکھاندا اے۔ ایہہ تحقیق کھلے سورس ماڈلاں تے دوبارہ کھچیاں فوٹواں والا اک لیبارٹری مظاہرہ ای اے۔ ہور کھوج دی مدد لئی، لکھاری GhostFace ڈیٹا سیٹ نوں منگن اُتے ہور ٹیماں نوں دیندے نیں، چہرے دی پچھان، جعل سازی دی پکڑ تے رلے چہرے دی پکڑ نوں اکٹھیاں جانچن لئی اک نویں کسوٹی وانگ۔