Avancées dans les techniques de vérification de parenté faciale

La vérification de parenté faciale consiste à déterminer si deux personnes sont liées simplement en regardant leurs visages. Ce truc devient de plus en plus populaire, surtout dans des domaines comme l'enquête criminelle, les réseaux sociaux et l'étude des tendances démographiques. Ces dernières années, les méthodes utilisant l'apprentissage profond ont montré de belles promesses pour améliorer ce processus, ce qui donne de meilleurs résultats qu'avant.

#Qu'est-ce que la vérification de parenté faciale ?

Le but principal de la vérification de parenté faciale est de voir à quel point deux personnes sont liées en se basant sur leurs caractéristiques faciales. Ça peut avoir plein d'applications utiles, comme construire des arbres généalogiques, retrouver des personnes disparues ou organiser des photos sur ton ordi en utilisant les visages comme moyen d'identification.

Pour faire ça, la technologie doit reconnaître et analyser les traits qui se transmettent des parents aux enfants ou qui sont partagés entre frères et sœurs. Par exemple, elle examine des trucs comme la distance entre les yeux, la forme du nez et le volume des lèvres.

#Types d'approches

Il y a généralement deux types de méthodes utilisées pour la vérification de parenté faciale :

1. Modèles superficiels : Ceux-ci se basent sur des caractéristiques basiques comme les formes, les couleurs et les distances. Ils utilisent des techniques simples pour analyser les images.

2. Modèles profonds : Ceux-ci s'appuient sur des techniques d'apprentissage profond, notamment les réseaux de neurones convolutifs (CNN). Ils sont meilleurs pour extraire des caractéristiques compliquées des images.

La plupart des modèles profonds partent d'un modèle de reconnaissance faciale pré-entraîné comme base. Bien que la vérification de parenté faciale soit similaire à la reconnaissance faciale, elle a ses propres défis. Il peut être plus difficile de trouver des liens familiaux à cause des différences comme l'âge et le sexe entre les membres de la famille.

#Défis des approches actuelles

Les méthodes actuelles font face à quelques problèmes communs :

1. Elles peuvent être affectées par les changements d'expressions faciales, d'éclairage et d'angles, ce qui peut rendre les résultats moins fiables.
2. Beaucoup de méthodes existantes ne prennent pas en compte les similitudes entre les personnes liées, ce qui peut mener à des résultats moins précis.

Bien qu'il y ait eu des améliorations en précision avec les nouvelles méthodes, ces défis restent importants.

#Nouvelle approche de la vérification de parenté faciale

Dans cette discussion, on présente une nouvelle méthode qui utilise l'Apprentissage contrastif supervisé. Cette technique entraîne un modèle à augmenter la similarité entre les individus liés tout en la réduisant pour ceux qui ne le sont pas. Nos expériences montrent des résultats prometteurs, atteignant une précision de 81,1 % sur un ensemble de données bien connu appelé Families in the Wild (FIW).

#Entraînement du modèle

Le modèle utilise deux étapes principales pour l'entraînement :

1. Apprentissage contrastif supervisé : Ça consiste à enseigner au modèle avec des données étiquetées. L'objectif est de s'assurer que les visages des membres de la famille apparaissent plus proches les uns des autres dans un espace de représentation spécifique, tandis que les visages de non-parent sont plus éloignés.

2. Classification binaire : Après la première étape, un classifieur binaire est entraîné en utilisant les représentations faciales traitées. Cette étape se concentre sur le fait de décider si deux individus sont liés ou non.

#Composantes du cadre

Notre approche se compose de trois éléments principaux :

• Encodeur de réseau de neurones : Ça extrait les caractéristiques importantes des images faciales d'entrée.
• Tête de projection : Ça transforme les caractéristiques extraites en une taille plus petite et plus gérable où la fonction de perte contrastive peut être appliquée.
• Classificateur binaire : Ça prend les caractéristiques de deux images, les combine et prédit leur relation.

#Équilibrage de l'ensemble de données

Un défi avec l'ensemble de données FIW est que le nombre de photos par personne et par famille est inégal. Pour y remédier, on a conçu une méthode d'échantillonnage par lot. Cette méthode équilibre les images tout en s'assurant qu'on n'utilise pas d'images de la même famille comme paires négatives.

Dans cette méthode, on commence avec une liste de paires d'images. On les brasse et on crée des lots, en veillant à supprimer les doublons de familles. Pour chaque paire dans le lot, on sélectionne les images les moins utilisées, s'assurant que tout le monde est également représenté.

#Expériments et analyse des résultats

On a effectué plusieurs expériences pour valider notre approche par rapport aux méthodes existantes. Tous les tests ont été réalisés en utilisant un GPU puissant et des logiciels adaptés.

L'ensemble de données FIW, connu pour être le plus grand disponible pour cette tâche, contient 11 932 photos représentant 1 000 familles. Cet ensemble de données contient de nombreuses relations familiales différentes, y compris père-fils, mère-fille et frères et sœurs.

On a choisi l'ensemble de données FIW pour deux raisons principales :

1. Il est largement accepté dans le milieu de la recherche, servant de standard pour tester les technologies de reconnaissance faciale.
2. Les données diverses offrent une meilleure représentation des images réelles, rendant nos tests plus fiables et applicables.

Pour assurer la qualité des données, tous les visages ont été détectés et alignés pour réduire la confusion due à un éclairage ou des angles incohérents. Les images ont ensuite été redimensionnées pour s'adapter à notre modèle.

#Méthodologie d'entraînement

Pendant l'entraînement, on a appliqué différentes techniques pour améliorer la performance du modèle. Le modèle a été entraîné avec certaines stratégies, comme l'utilisation d'un certain taux d'apprentissage et son optimisation dans les deux étapes de manière efficace. Des techniques d'augmentation de données, comme la variation des couleurs et des reflets, ont été utilisées pour aider le modèle à mieux généraliser sans compromettre la qualité des images faciales.

#Performance de la nouvelle méthode

Notre méthode a montré des résultats impressionnants à travers plusieurs relations familiales. Elle a atteint une précision moyenne de 81,1 %, surpassant de nombreuses tentatives précédentes dans le domaine. Notamment, la méthode a bien fonctionné pour des relations spécifiques, comme grands-parents et petits-enfants.

En affinant le modèle par un ajustement, on est arrivé à un nouveau record en précision, améliorant significativement notre capacité à évaluer la parenté à travers des images faciales.

#Conclusion

En résumé, on a présenté une nouvelle technique pour la vérification de parenté faciale qui utilise l'apprentissage contrastif supervisé. Cette méthode capture efficacement les similitudes et les différences entre les visages liés et non liés, surpassant les méthodes précédentes sur l'ensemble de données FIW.

Notre approche d'entraînement marque une amélioration notable dans ce domaine, montrant à quel point l'apprentissage contrastif supervisé peut identifier des relations complexes à travers des caractéristiques faciales.

En regardant vers l'avenir, on vise à mettre en œuvre notre modèle sur des dispositifs edge, ce qui permettra une vérification de parenté en temps réel. Cette avancée pourrait conduire à une meilleure confidentialité, sécurité et expérience utilisateur globale.