నాటకరంగపు దెయ్యం ముఖ గుర్తింపును మోసం చేస్తుంది

ముఖ గుర్తింపు ఇప్పుడు ఫోన్‌లను అన్‌లాక్ చేస్తుంది, చెల్లింపులను ఆమోదిస్తుంది, సరిహద్దుల వద్ద ప్రయాణికులను తనిఖీ చేస్తుంది. దాని న్యూరల్ నెట్‌వర్క్‌లు మనుషుల కంటే కచ్చితమైనవని పత్రం పేర్కొంటుంది. దానిపై ఆధారపడటం పెరిగేకొద్దీ, దాన్ని మోసం చేయాలనే ప్రలోభమూ పెరుగుతుంది, అందుకే ఈ వ్యవస్థలకు రెండు రకాల కాపలాదారులు ఉంటారు. ప్రదర్శన-దాడి గుర్తింపు సాధనాలు (presentation-attack detectors) ఆకృతిని, జీవ లక్షణాలను తనిఖీ చేసి, ముద్రించిన ఫోటోలు, మళ్లీ ప్లే చేసిన వీడియోలు లేదా ముసుగుల కోసం చూస్తాయి. మార్ఫ్ గుర్తింపు సాధనాలు డిజిటల్‌గా కలిపిన ముఖాల కోసం చూస్తాయి, అంటే ఇద్దరు వ్యక్తులను ఒకే చిత్రంలో కలిపి తయారుచేసినవి.

రంగస్థలం నుంచి వచ్చిన భ్రమ

Tyler Fitzsimmons, Adam Czajka (యూనివర్సిటీ ఆఫ్ నోటర్ డామ్) ఒక పాత నాటకశాల చిట్కాకు మళ్లీ ప్రాణం పోస్తున్నారు: పెప్పర్స్ ఘోస్ట్, ఇందులో వాలుగా ఉంచిన గాజు పలక దాచి ఉంచిన చిత్రాన్ని ప్రతిబింబిస్తుంది, దాంతో వేదికపై ఒక “దెయ్యం” నిలబడి ఉన్నట్లు కనిపిస్తుంది.

వారి “ఘోస్ట్ అటాక్”లో, ప్రతిబింబం కెమెరా ముందున్న ముఖంపై మరో గుర్తింపు ముఖాన్ని పరుస్తుంది. చూసే మనిషికి ఆ వ్యక్తి దాదాపు సాధారణంగానే, కొంచెం మసకగా లేదా మెరుపు వల్ల పాక్షికంగా కప్పబడినట్లు కనిపిస్తారు. సాఫ్ట్‌వేర్‌కు మాత్రం, రెండు ముఖాలు కలిసిపోయి ఒక సంకర ముఖ సంతకం (hybrid facial signature) అవుతాయి.

దాడి సెన్సర్‌కు, వ్యక్తికి మధ్య ఉన్న ఖాళీ స్థలంలో జరుగుతుంది. దీనికి గుర్తింపు సాఫ్ట్‌వేర్‌ను, దాని అంతర్గత స్థితిని, దాని నిర్ణయాలను యాక్సెస్ చేయాల్సిన అవసరం లేదు, కెమెరా హార్డ్‌వేర్‌ను కూడా కాదు: ఇది స్వచ్ఛమైన బ్లాక్-బాక్స్ దాడిగా పనిచేస్తుంది. రచయితలు దీన్ని ప్రదర్శన దాడులకు, మార్ఫింగ్‌కు మధ్యలో ఉండే, ఈ రకపు మొదటి భౌతిక దాడిగా పరిచయం చేస్తున్నారు.

జాగ్రత్తగా చేసిన ప్రయోగశాల పరీక్ష

పరిశోధకులు ప్రత్యక్ష వ్యక్తులను వాడలేదు. నిజమైన ముఖాలు ఒక ప్రామాణిక పరిశోధన డేటాబేస్‌లోని ఛాయాచిత్రాలు, వాటిని తెరపై చూపించి మళ్లీ చిత్రీకరించారు; “దెయ్యం” గుర్తింపు రెండో తెర నుంచి వచ్చి గాజులో ప్రతిబింబించింది. దీంతో పద్ధతి పునరావృతం చేయదగినదిగా ఉంటుంది, ప్రత్యక్ష వ్యక్తులను వాడినా నిర్ధారణలు మారవని రచయితలు వాదిస్తారు. వారు లింగం, మూలం, వయసుల్లో వైవిధ్యం ఉన్న 100 గుర్తింపులతో GhostFace అనే డేటాసెట్‌ను నిర్మించారు, దాడి తీవ్రతను క్రమంగా పెంచుతూ రికార్డు చేశారు.

తర్వాత దాన్ని విస్తృతంగా వాడే ఓపెన్-సోర్స్ వ్యవస్థలపై, అంతర్జాతీయ పరీక్షా ప్రమాణాలను అనుసరించి, పరీక్షించారు: ఐదు ముఖ సరిపోలిక వ్యవస్థలు, మూడు నకిలీ గుర్తింపు సాధనాలు, నాలుగు మార్ఫ్ గుర్తింపు సాధనాలు.

ముగ్గురు కాపలాదారులు, ముగ్గురూ మోసపోయారు

నకిలీ గుర్తింపు సాధనాలు పూర్తి తీవ్రత దాడి చిత్రాల్లో 80% నుంచి 96% ను సజీవమైన, నిజమైన ముఖాలుగా వర్గీకరించాయి. అత్యంత స్పందనశీలమైనది కూడా దాదాపు ఐదింటిలో నాలుగింటిని లోపలికి వెళ్లనిచ్చింది.
డిజిటల్ మార్ఫ్‌లపై శిక్షణ పొందిన మార్ఫ్ గుర్తింపు సాధనాలు కఠినమైన అమరికలో దాడి చిత్రాల్లో 16% నుంచి 61% ను గుర్తించలేకపోయాయి, అయితే ఒక్క నిజమైన ముఖాన్ని కూడా పొరపాటున గుర్తించలేదు. డిజిటల్ మిశ్రమాలపై శిక్షణ పొందిన నమూనాలు ఆప్టికల్ మిశ్రమాలను విశ్వసనీయంగా పట్టుకోలేవని రచయితలు నిర్ధారిస్తారు.
ముఖ సరిపోలిక వ్యవస్థలు వేర్వేరు రేట్లలో మోసగాళ్లను అంగీకరించాయి. అత్యంత బలహీనమైన ArcFace, పరీక్షించిన పరిమితి వద్ద దాడి చిత్రాల్లో 32.75% ను లక్ష్య వ్యక్తిగా అంగీకరించింది, 100 దాడి వీడియోల్లో 99 లో కనీసం ఒక చిత్రాన్ని అంగీకరించింది. పరీక్షించిన వాటిలో సరికొత్త నమూనా కూడా మరింత కఠినమైన పరిమితి వద్ద 7% ను అంగీకరించింది. తన నిర్ణయాల్లో చిత్ర నాణ్యతను పరిగణించే MagFace అత్యంత నిరోధకమైనది, 1% కంటే తక్కువ అంగీకరించింది.

కొన్నిసార్లు కలిసిపోయిన ముఖాన్ని ఆ ఇద్దరిలో ఎవరిగానూ కాకుండా, డేటాబేస్‌లోని మూడో గుర్తింపుగా గుర్తించింది.

గుడ్డి మూలను మూసివేయడం

రచయితలు ఒక ముఖ్యమైన గుడ్డి మూలను వర్ణిస్తారు: ప్రస్తుత బయోమెట్రిక్ వ్యవస్థలు పారదర్శక ప్రక్షేపణలను పరిగణనలోకి తీసుకోవు, ఆకృతి ఆధారిత సజీవత తనిఖీలకూ, కేవలం డిజిటల్ చిత్రాలపై శిక్షణ పొందిన మార్ఫ్ గుర్తింపు సాధనాలకూ ఉన్న పరిమితులను పత్రం చూపిస్తుంది. ఈ అధ్యయనం ఓపెన్-సోర్స్ నమూనాలు, మళ్లీ చిత్రీకరించిన ఛాయాచిత్రాలతో చేసిన ప్రయోగశాల ప్రదర్శనగానే ఉంది. తదుపరి పరిశోధనకు తోడ్పడేందుకు, రచయితలు GhostFace డేటాసెట్‌ను ఇతర బృందాలకు అభ్యర్థనపై అందిస్తున్నారు, ముఖ గుర్తింపు, నకిలీ గుర్తింపు, మార్ఫ్ గుర్తింపులను కలిపి పరీక్షించడానికి ఒక కొత్త ప్రమాణంగా (benchmark).