Las transformaciones monótonas por coordenadas permiten una estimación de la edad que preserva la privacidad con una nube de puntos faciales en 3D

Se aplicaron cuatro funciones monótonas elementales (exponencial, logarítmica, cuadrada y seno) inmediatamente después de la transformación de rango de coordenadas (CRT) y se normalizaron a [-1, 1] de manera coordinada. Los tres círculos en el gráfico del radar corresponden a la indistinguibilidad del modelo de primer orden, la indistinguibilidad del modelo de segundo orden y el error absoluto medio del modelo exp(CRT) (el mayor entre los cuatro), de adentro hacia afuera. Todos los modelos podían estimar edades de forma precisa y consistente. Crédito: Science China Press

En una publicación reciente en Ciencias China Ciencias de la vida, un equipo de investigación dirigido por el profesor Jing-Dong Jackie Han y Ph.D. El estudiante Xinyu Yang de la Universidad de Pekín estableció un modelo de aprendizaje profundo para la estimación de la edad utilizando nubes de puntos faciales 3D no registradas. También propusieron el algoritmo de transformación monótona por coordenadas para aislar los rasgos faciales relacionados con la edad de los rostros humanos identificables.

El equipo entrenó el modelo en más de 16,000 instancias de datos de nubes de puntos faciales en 3D, logrando un error absoluto promedio de aproximadamente 2.5 años. El modelo reconoce la invariancia rotacional de los rostros humanos. En su análisis de la importancia de la forma del rostro y el tono de la piel, desarrollaron el algoritmo de transformaciones monótonas por coordenadas.

El algoritmo puede distorsionar rostros sin cambiar las posiciones relativas de los elementos faciales. El equipo descubrió que los modelos de aprendizaje profundo podían estimar de manera precisa y consistente las edades de los rostros antes y después de aplicar el algoritmo de transformación en varios escenarios, lo que demuestra que las transformaciones preservan efectivamente los rasgos faciales relacionados con la edad.

Sin embargo, en las pruebas visuales, los sujetos experimentaron una disminución notable en la precisión y la velocidad de respuesta al evaluar rostros transformados. Además, los modelos computacionales de verificación de rostros entrenados en formas de rostros normales no lograron reconocer rostros transformados.

Teniendo en cuenta las similitudes y diferencias en las tareas de identificación y estimación de la edad, el equipo de investigación propuso una directriz de protección de datos faciales. Esta directriz, que presenta transformaciones monótonas por coordenadas y aprovisionamiento selectivo de datos, tiene como objetivo proporcionar una base teórica para la gestión de centros de datos faciales o conjuntos de datos públicos.