In een recente publicatie in Wetenschap China Life Sciences, een onderzoeksteam onder leiding van professor Jing-Dong Jackie Han en Ph.D. student Xinyu Yang van de Universiteit van Peking heeft een diepgaand leermodel voor leeftijdsschatting ontwikkeld met behulp van niet-geregistreerde 3D-gezichtspuntenwolken. Ze stelden ook het coördinaatgewijs monotone transformatie-algoritme voor om leeftijdsgerelateerde gelaatstrekken te isoleren van identificeerbare menselijke gezichten.
Het team heeft het model getraind op meer dan 16,000 3D-gezichtspuntenwolkgegevens, waarbij een gemiddelde absolute fout van ongeveer 2.5 jaar werd bereikt. Het model herkent de rotatie-invariantie van menselijke gezichten. In hun analyse van het belang van gezichtsvorm en huidskleur ontwikkelden ze het coördinaatgewijs monotone transformatie-algoritme.
Het algoritme kan gezichten vervormen zonder de relatieve posities van gezichtselementen te veranderen. Het team ontdekte dat de deep learning-modellen nauwkeurig en consistent leeftijden met gezichten konden schatten voor en na het toepassen van het transformatie-algoritme in verschillende scenario's, wat aantoont dat de transformaties effectief leeftijdsgerelateerde gelaatstrekken behouden.
Bij visuele tests ervoeren proefpersonen echter een opmerkelijke afname in nauwkeurigheid en reactiesnelheid bij het beoordelen van getransformeerde gezichten. Bovendien konden computationele gezichtsverificatiemodellen die waren getraind op normale gezichtsvormen geen getransformeerde gezichten herkennen.
Gezien de overeenkomsten en verschillen in leeftijdsschattings- en identificatietaken, stelde het onderzoeksteam een richtlijn voor de bescherming van gezichtsgegevens voor. Deze richtlijn, met coördinaatgewijze monotone transformaties en selectieve gegevensvoorziening, heeft tot doel een theoretische basis te bieden voor het beheer van gezichtsdatacentra of openbare datasets.
