In una recente pubblicazione su Scienza Cina Scienze della vita, un gruppo di ricerca guidato dal professor Jing-Dong Jackie Han e dal Ph.D. lo studente Xinyu Yang dell'Università di Pechino ha creato un modello di deep learning per la stima dell'età utilizzando nuvole di punti facciali 3D non registrate. Hanno anche proposto l'algoritmo di trasformazione monotona in termini di coordinate per isolare le caratteristiche facciali legate all'età da volti umani identificabili.
Il team ha addestrato il modello su oltre 16,000 istanze di dati di nuvole di punti facciali 3D, ottenendo un errore assoluto medio di circa 2.5 anni. Il modello riconosce l'invarianza rotazionale dei volti umani. Nell'analisi della forma del viso e dell'importanza del tono della pelle, hanno sviluppato l'algoritmo delle trasformazioni monotone in termini di coordinate.
L'algoritmo può distorcere i volti senza modificare le posizioni relative degli elementi facciali. Il team ha scoperto che i modelli di deep learning potevano stimare in modo accurato e coerente l’età dei volti prima e dopo l’applicazione dell’algoritmo di trasformazione in vari scenari, dimostrando che le trasformazioni preservano efficacemente le caratteristiche facciali legate all’età.
Tuttavia, nei test visivi, i soggetti hanno riscontrato una notevole diminuzione della precisione e della velocità di risposta nel valutare i volti trasformati. Inoltre, i modelli di verifica computazionale dei volti addestrati su forme di viso normali non sono riusciti a riconoscere i volti trasformati.
Considerando le somiglianze e le differenze nella stima dell’età e nei compiti di identificazione, il gruppo di ricerca ha proposto una linea guida sulla protezione dei dati facciali. Questa linea guida, caratterizzata da trasformazioni monotone in termini di coordinate e fornitura selettiva di dati, mira a fornire una base teorica per la gestione dei data center facciali o dei set di dati pubblici.
