Лабораторийн судлаачид Чикагогийн их сургууль багаж хэрэгсэл боловсруулжээ хэрэгжилттэй гэрэл зургийг гажуудуулж, царай таних, хэрэглэгчийн таних системийг сургахад ашиглахаас сэргийлнэ. Зурган дээр пикселийн өөрчлөлтүүд хийгдсэн бөгөөд энэ нь хүнийг харахад үл үзэгдэх боловч машин сургалтын системийг сургахад буруу загвар үүсгэхэд хүргэдэг. Хэрэгслийн кодыг Python дээр бичсэн ба BSD лицензийн дагуу. Чуулганууд Linux, macOS болон Windows-д зориулагдсан.
Нийгмийн сүлжээ болон бусад олон нийтийн платформ дээр нийтлэхээс өмнө санал болгож буй хэрэгслээр зураг боловсруулах нь хэрэглэгчийг нүүр таних системийг сургах эх сурвалж болгон зургийн өгөгдлийг ашиглахаас хамгаалах боломжийг олгоно. Санал болгож буй алгоритм нь нүүр царай таних оролдлогын 95% -аас хамгаалдаг (Microsoft Azure таних API, Amazon Rekognition болон Face++-ийн хувьд хамгаалалтын үр ашиг 100% байна). Түүнээс гадна, ирээдүйд хэрэглүүрийн боловсруулаагүй анхны гэрэл зургуудыг зургийн гажуудуулсан хувилбаруудыг ашиглан бэлтгэсэн загварт ашигласан ч таних чадваргүй байдлын түвшин ижил хэвээр байгаа бөгөөд дор хаяж 80% байна.
Энэ арга нь "сөргөлдөөнтэй жишээнүүд" хэмээх үзэгдэл дээр суурилдаг бөгөөд үүний мөн чанар нь оролтын өгөгдлийн бага зэргийн өөрчлөлтүүд нь ангиллын логикийг эрс өөрчлөхөд хүргэдэг. Одоогийн байдлаар "сөргөлдөөнтэй жишээ" үзэгдэл нь машин сургалтын систем дэх шийдэгдээгүй гол асуудлын нэг юм. Ирээдүйд энэ дутагдалгүй шинэ үеийн машин сургалтын системүүд гарч ирэх төлөвтэй байгаа ч эдгээр системүүд нь архитектур, загвар бүтээх арга барилд ихээхэн өөрчлөлт оруулах шаардлагатай болно.
Гэрэл зургийг боловсруулах нь зураг дээр пикселийн (кластер) хослолыг нэмэхэд хүргэдэг бөгөөд үүнийг гүн гүнзгий машин сургалтын алгоритмууд дүрсэлсэн объектын шинж чанар гэж хүлээн зөвшөөрч, ангилахад ашигласан шинж чанаруудыг гажуудуулахад хүргэдэг. Ийм өөрчлөлтүүд нь ерөнхий багцаас ялгарахгүй бөгөөд илрүүлэх, арилгахад маш хэцүү байдаг. Анхны болон өөрчилсөн зургууд байсан ч аль нь эх, аль нь өөрчлөгдсөн хувилбар болохыг тодорхойлоход хэцүү байдаг.
Оруулсан гажуудал нь машин сургалтын загваруудын зөв бүтцийг зөрчсөн гэрэл зургийг илрүүлэхэд чиглэсэн эсрэг арга хэмжээг бий болгоход өндөр эсэргүүцлийг харуулж байна. Пикселийн хослолыг дарахын тулд зураг дээр бүдгэрүүлэх, дуу чимээ нэмэх, шүүлтүүр хэрэглэхэд үндэслэсэн аргуудыг оруулах нь үр дүнтэй биш юм. Асуудал нь шүүлтүүрийг ашиглах үед ангиллын нарийвчлал нь пикселийн хэв маягийг илрүүлэхээс хамаагүй хурдан буурч, гажуудлыг дарах түвшинд таних түвшинг цаашид хүлээн зөвшөөрөх боломжгүй болсон явдал юм.
Хувийн нууцыг хамгаалах бусад ихэнх технологийн нэгэн адил санал болгож буй техникийг таних системд олон нийтийн зургийг зөвшөөрөлгүй ашиглахтай тэмцэхээс гадна халдагчдыг нуух хэрэгсэл болгон ашиглаж болохыг тэмдэглэв. Судлаачид танихтай холбоотой асуудал нь хяналтгүй, загвараа сургах зөвшөөрөлгүй мэдээлэл цуглуулдаг гуравдагч этгээдийн үйлчилгээнд голчлон нөлөөлж болзошгүй гэж судлаачид үзэж байна (жишээлбэл, Clearview.ai үйлчилгээ нь царай таних мэдээллийн сан, Нийгмийн сүлжээн дэх 3 тэрбум орчим зургийг индексжүүлсэн). Хэрэв одоо ийм үйлчилгээний цуглуулгад ихэвчлэн найдвартай зургууд багтсан бол Фоуксыг идэвхтэй ашигласнаар цаг хугацаа өнгөрөх тусам гажуудсан гэрэл зургийн багц томорч, загвар нь тэдгээрийг ангилахад илүү ач холбогдолтой гэж үзэх болно. Загваруудыг найдвартай эх сурвалжид тулгуурлан бүтээсэн тагнуулын байгууллагуудын таних системд нийтлэгдсэн хэрэгслүүд бага өртөх болно.
Зорилгодоо ойрхон практик бүтээн байгуулалтуудын дунд бид төслийг тэмдэглэж болно , хөгжиж байна зураг дээр нэмэх , машин сургалтын системээр зөв ангилахаас урьдчилан сэргийлэх. Камерын өрсөлдөгчийн код EPL лицензийн дагуу GitHub дээр. Өөр нэг төсөл Тусгай хээтэй борооны цув, подволк, ноосон цамц, нөмрөг, зурагт хуудас, малгай зэргийг бүтээх замаар хяналтын камераар танихыг хориглох зорилготой.
Эх сурвалж: opennet.ru