Em uma publicação recente em Ciência China Ciências da Vida, uma equipe de pesquisa liderada pelo professor Jing-Dong Jackie Han e Ph.D. o estudante Xinyu Yang, da Universidade de Pequim, estabeleceu um modelo de aprendizagem profunda para estimativa de idade usando nuvens de pontos faciais 3D não registradas. Eles também propuseram o algoritmo de transformação monotônica por coordenadas para isolar características faciais relacionadas à idade de rostos humanos identificáveis.
A equipe treinou o modelo em mais de 16,000 instâncias de dados de nuvem de pontos faciais 3D, alcançando um erro absoluto médio de cerca de 2.5 anos. O modelo reconhece a invariância rotacional de rostos humanos. Em sua análise da importância do formato do rosto e do tom de pele, eles desenvolveram o algoritmo de transformações monotônicas por coordenadas.
O algoritmo pode distorcer rostos sem alterar as posições relativas dos elementos faciais. A equipe descobriu que os modelos de aprendizagem profunda poderiam estimar com precisão e consistência as idades dos rostos antes e depois da aplicação do algoritmo de transformação em vários cenários, demonstrando que as transformações preservam efetivamente as características faciais relacionadas à idade.
No entanto, em testes visuais, os sujeitos experimentaram uma diminuição notável na precisão e na velocidade de resposta ao avaliar rostos transformados. Além disso, os modelos computacionais de verificação de faces treinados em formatos de faces normais não conseguiram reconhecer faces transformadas.
Considerando as semelhanças e diferenças nas tarefas de estimativa e identificação de idade, a equipe de pesquisa propôs uma diretriz de proteção de dados faciais. Esta diretriz, apresentando transformações monotônicas coordenadas e provisionamento seletivo de dados, visa fornecer uma base teórica para o gerenciamento de data centers faciais ou conjuntos de dados públicos.
