Neuralt netværk lærer at identificere kriminelle ud fra deres ansigter

Kort efter fotografiets opfindelse begyndte nogle få kriminologer at bemærke mønstre i mugshots, de tog af kriminelle. Forbrydere, sagde de, havde særlige ansigtstræk, der gjorde det muligt for dem at blive identificeret som lovovertrædere.

En af de mest indflydelsesrige stemmer i denne debat var Cesare Lombroso, en italiensk kriminolog, som mente, at kriminelle var tilbagekastninger, der var tættere beslægtet med aber end lovlydige borgere. Han var overbevist om, at han kunne identificere dem ved abe-lignende træk såsom en skrå pande, usædvanligt store ører og forskellige asymmetrier i ansigtet og lange arme. Faktisk målte han mange emner i et forsøg på at bevise sit synspunkt, selvom han ikke analyserede sine data statistisk.

Denne mangel førte til sidst til hans undergang. Lombrosos synspunkter blev miskrediteret af den engelske kriminolog Charles Goring, som statistisk analyserede dataene vedrørende fysiske abnormiteter hos kriminelle kontra ikke-kriminelle. Han konkluderede, at der ikke var nogen statistisk forskel.



Og dér hvilede debatten indtil 2011, hvor en gruppe psykologer fra Cornell University viste, at folk faktisk var ret gode til at skelne kriminelle fra ikke-kriminelle bare ved at se på billeder af dem. Hvordan kunne det være, hvis der ikke er statistisk forskellige funktioner?

I dag får vi et slags svar takket være Xiaolin Wu og Xi Zhangs arbejde fra Shanghai Jiao Tong University i Kina. Disse fyre har brugt en række maskinsynsalgoritmer til at studere ansigter på kriminelle og ikke-kriminelle og derefter testet det for at finde ud af, om det kunne kende forskel.

Deres metode er ligetil. De tager id-billeder af 1856 kinesiske mænd mellem 18 og 55 år uden hår i ansigtet. Halvdelen af ​​disse mænd var kriminelle.

De brugte derefter 90 procent af disse billeder til at træne et foldet neuralt netværk til at genkende forskellen og testede derefter det neurale netværk på de resterende 10 procent af billederne.

Resultaterne er foruroligende. Xiaolin og Xi fandt ud af, at det neurale netværk korrekt kunne identificere kriminelle og ikke-kriminelle med en nøjagtighed på 89,5 procent. Disse meget konsistente resultater er beviser for gyldigheden af ​​automatiseret ansigtsinduceret slutning om kriminalitet, på trods af den historiske kontrovers omkring emnet, siger de.

Xiaolin og Xi siger, at der er tre ansigtstræk, som det neurale netværk bruger til at klassificere. Disse er: krumningen af ​​overlæben, som i gennemsnit er 23 procent større for kriminelle end for ikke-kriminelle; afstanden mellem to indre hjørner af øjnene, som er 6 procent kortere; og vinklen mellem to linjer tegnet fra næsetippen til mundvigene, som er 20 procent mindre.

De fortsætter med at plotte variansen i dataene fra kriminelle og ikke-kriminelle ansigter i et forenklet parameterrum kaldet en manifold. Og denne proces afslører, hvorfor forskellen har været svær at identificere.

Xiaolin og Xi viser, at disse datasæt er koncentriske, men at dataene for kriminelle ansigter har meget større varians. Med andre ord har den almindelige lovpligtige offentligheds ansigter en større grad af lighed sammenlignet med kriminelles ansigter, eller kriminelle har en højere grad af ulighed i ansigtsudseende end normale mennesker, siger Xiaolin og Xi.

Dette kan også forklare, hvorfor visse former for statistiske test ikke kan skelne mellem disse datasæt. Faktisk viser Xiaolin og Xi, at når de kombinerer kriminelle og ikke-kriminelle ansigter for at skabe gennemsnitlige ansigter, ser de næsten identiske ud.

Selvom det er kontroversielt, er resultatet ikke helt uventet. Hvis mennesker kan få øje på kriminelle ved at se på deres ansigter, som psykologer fandt i 2011, burde det ikke komme som nogen overraskelse, at maskiner også kan gøre det.

Bekymringen er selvfølgelig, hvordan mennesker kan bruge disse maskiner. Det er ikke svært at forestille sig, hvordan denne proces kan anvendes på datasæt af f.eks. pas- eller kørekortbilleder for et helt land. Det ville så være muligt at udvælge de personer, der er identificeret som lovovertrædere, uanset om de havde begået en forbrydelse eller ej.

Det er en slags Mindretalsrapport scenarie, hvor lovovertrædere kunne identificeres, før de havde begået en forbrydelse.

Selvfølgelig skal dette arbejde sættes på et meget stærkere grundlag. Det skal reproduceres med forskellige aldre, køn, etniciteter og så videre. Og på meget større datasæt. Det skulle være med til at skille kompleksiteten af ​​resultaterne fra hinanden. For eksempel finder Xiaolin og Xi, at kriminelle ansigter kan underopdeles i fire undergrupper, men ikke-kriminelle ansigter i kun tre. Hvorfor? Og hvordan varierer dette i andre grupper?

Og arbejdet rejser vigtige spørgsmål. Hvis resultatet holder vand, hvordan skal det så forklares? Hvorfor skulle forbryderes ansigter have meget større variation end ikke-kriminelles? Og hvordan er vi i stand til at få øje på disse ansigter – er det tillært adfærd eller fastkablet adfærd, der har udviklet sig?

Alt dette varsler en ny æra af antropometri, kriminel eller på anden måde. I sidste uge afslørede forskere, hvordan de havde trænet en dyb-læringsmaskine til at vurdere på samme måde som mennesker, om nogen var troværdig ved at se på et øjebliksbillede af deres ansigt. Dette arbejde er endnu et bud på det samme emne. Og der er plads til meget mere forskning, efterhånden som maskiner bliver mere kapable. At undersøge, hvad vores tøj eller hår siger om os, er en indlysende vinkel. Og maskiner vil snart også kunne studere bevægelse. Det øger muligheden for at studere, hvordan vi bevæger os, hvordan vi interagerer og så videre.

Ref: arxiv.org/abs/1611.04135 : Automatiseret slutning om kriminalitet ved hjælp af ansigtsbilleder

skjule