Neuronales Netzwerk lernt, Kriminelle anhand ihrer Gesichter zu identifizieren

Kurz nach der Erfindung der Fotografie bemerkten einige Kriminologen Muster in Fahndungsfotos, die sie von Kriminellen machten. Straftäter, sagten sie, hätten bestimmte Gesichtszüge, die es erlaubten, sie als Gesetzesbrecher zu identifizieren.

Eine der einflussreichsten Stimmen in dieser Debatte war Cesare Lombroso, ein italienischer Kriminologe, der glaubte, dass Kriminelle Rückschläge seien, die enger mit Affen verwandt seien als gesetzestreue Bürger. Er war überzeugt, sie an affenähnlichen Merkmalen wie einer abfallenden Stirn, ungewöhnlich großen Ohren und verschiedenen Asymmetrien des Gesichts und langen Armen identifizieren zu können. Tatsächlich maß er viele Probanden, um seine Ansicht zu beweisen, obwohl er seine Daten nicht statistisch analysierte.

Dieser Mangel führte schließlich zu seinem Untergang. Lombrosos Ansichten wurden von dem englischen Kriminologen Charles Goring diskreditiert, der die Daten zu körperlichen Anomalien bei Kriminellen im Vergleich zu Nichtkriminellen statistisch analysierte. Er kam zu dem Schluss, dass es keinen statistischen Unterschied gab.



Und dort ruhte die Debatte bis 2011, als eine Gruppe von Psychologen der Cornell University zeigte, dass Menschen tatsächlich ziemlich gut darin waren, Kriminelle von Nichtkriminellen zu unterscheiden, indem sie sich nur Fotos von ihnen ansahen. Wie könnte das sein, wenn es keine statistisch unterschiedlichen Merkmale gibt?

Heute bekommen wir dank der Arbeit von Xiaolin Wu und Xi Zhang von der Shanghai Jiao Tong University in China eine Art Antwort. Diese Jungs haben eine Vielzahl von Bildverarbeitungsalgorithmen verwendet, um die Gesichter von Kriminellen und Nichtkriminellen zu untersuchen, und sie dann getestet, um herauszufinden, ob sie den Unterschied erkennen können.

Ihre Methode ist unkompliziert. Sie machen Passfotos von 1856 chinesischen Männern zwischen 18 und 55 Jahren ohne Gesichtsbehaarung. Die Hälfte dieser Männer waren Kriminelle.

Sie verwendeten dann 90 Prozent dieser Bilder, um ein neuronales Faltungsnetz zu trainieren, um den Unterschied zu erkennen, und testeten dann das neuronale Netz an den verbleibenden 10 Prozent der Bilder.

Die Ergebnisse sind beunruhigend. Xiaolin und Xi fanden heraus, dass das neuronale Netzwerk Kriminelle und Nichtkriminelle mit einer Genauigkeit von 89,5 Prozent korrekt identifizieren konnte. Diese hochkonsistenten Ergebnisse sind Beweise für die Gültigkeit der automatisierten gesichtsinduzierten Rückschlüsse auf Kriminalität, trotz der historischen Kontroverse um das Thema, sagen sie.

Ich brauche keine Fahrt, danke an alle

Xiaolin und Xi sagen, dass es drei Gesichtsmerkmale gibt, die das neuronale Netzwerk verwendet, um seine Klassifizierung vorzunehmen. Diese sind: die Krümmung der Oberlippe, die bei Kriminellen im Durchschnitt um 23 Prozent größer ist als bei Nichtkriminellen; der um 6 Prozent kürzere Abstand zwischen zwei inneren Augenwinkeln; und der Winkel zwischen zwei Linien, die von der Nasenspitze zu den Mundwinkeln gezogen werden, der um 20 Prozent kleiner ist.

Sie fahren fort, die Varianz in den Daten von kriminellen und nicht kriminellen Gesichtern in einem vereinfachten Parameterraum, der als Mannigfaltigkeit bezeichnet wird, darzustellen. Und dieser Prozess zeigt, warum der Unterschied schwer festzumachen war.

Xiaolin und Xi zeigen, dass diese Datensätze konzentrisch sind, aber dass die Daten für kriminelle Gesichter eine viel größere Varianz aufweisen. Mit anderen Worten, die Gesichter der allgemeinen gesetzestreuen Öffentlichkeit haben im Vergleich zu den Gesichtern von Kriminellen ein größeres Maß an Ähnlichkeit, oder Kriminelle haben ein höheres Maß an Unähnlichkeit im Gesichtsaussehen als normale Menschen, sagen Xiaolin und Xi.

Dies kann auch erklären, warum bestimmte Arten von statistischen Tests diese Datensätze nicht unterscheiden können. Tatsächlich zeigen Xiaolin und Xi, dass sie fast identisch aussehen, wenn sie kriminelle und nicht kriminelle Gesichter kombinieren, um durchschnittliche Gesichter zu schaffen.

Obwohl umstritten, ist dieses Ergebnis nicht völlig unerwartet. Wenn Menschen Kriminelle anhand ihrer Gesichter erkennen können, wie Psychologen 2011 feststellten, sollte es nicht überraschen, dass Maschinen dies auch können.

Die Sorge ist natürlich, wie Menschen diese Maschinen benutzen könnten. Es ist nicht schwer vorstellbar, wie dieses Verfahren auf Datensätze von beispielsweise Pass- oder Führerscheinfotos für ein ganzes Land angewendet werden könnte. Es wäre dann möglich, die als Gesetzesbrecher identifizierten Personen herauszufiltern, unabhängig davon, ob sie eine Straftat begangen haben oder nicht.

Das ist eine Art Minderheitsbericht Szenario, in dem Gesetzesbrecher identifiziert werden konnten, bevor sie ein Verbrechen begangen hatten.

Natürlich muss diese Arbeit auf eine viel stärkere Basis gestellt werden. Es muss mit verschiedenen Altersgruppen, Geschlechtern, Ethnien usw. reproduziert werden. Und das bei viel größeren Datensätzen. Das sollte helfen, die Komplexität der Ergebnisse auseinanderzureißen. Xiaolin und Xi finden beispielsweise heraus, dass kriminelle Gesichter in vier Untergruppen unterteilt werden können, nicht-kriminelle Gesichter jedoch nur in drei. Woher? Und wie sieht es in anderen Gruppen aus?

Und die Arbeit wirft wichtige Fragen auf. Wenn das Ergebnis stichhaltig ist, wie ist es zu erklären? Warum sollten die Gesichter von Kriminellen eine viel größere Varianz aufweisen als die von Nichtkriminellen? Und wie können wir diese Gesichter erkennen – ist es erlerntes Verhalten oder fest verdrahtetes Verhalten, das sich entwickelt hat?

All dies läutet eine neue Ära der Anthropometrie ein, ob kriminell oder nicht. Letzte Woche enthüllten Forscher, wie sie eine Deep-Learning-Maschine darauf trainiert hatten, auf die gleiche Weise wie Menschen zu beurteilen, ob jemand vertrauenswürdig ist, indem sie sich einen Schnappschuss ihres Gesichts ansahen. Diese Arbeit ist eine weitere Herangehensweise an das gleiche Thema. Und es gibt Raum für viel mehr Forschung, da Maschinen leistungsfähiger werden. Zu untersuchen, was unsere Kleidung oder Haare über uns aussagen, ist ein offensichtlicher Blickwinkel. Und auch Maschinen werden bald in der Lage sein, Bewegungen zu studieren. Das eröffnet die Möglichkeit zu untersuchen, wie wir uns bewegen, wie wir interagieren und so weiter.

Ref: arxiv.org/abs/1611.04135 : Automatisierte Rückschlüsse auf Kriminalität anhand von Gesichtsbildern

verbergen

Tatsächliche Technologien

Kategorie

Unkategorisiert

Technologie

Biotechnologie

Technologierichtlinie

Klimawandel

Mensch Und Technik

Silicon Valley

Computer

Mit News Magazine

Künstliche Intelligenz

Platz

Intelligente Städte

Blockchain

Reportage

Alumni-Profil

Alumni-Verbindung

Mit News Feature

1865

Meine Sicht

77 Mass Avenue

Treffen Sie Den Autor

Profile In Großzügigkeit

Auf Dem Campus Gesehen

Lerne Den Autor Kennen

Alumni-Briefe

Nicht Kategorisiert

77 Massenallee

Rechnen

Tech-Richtlinie

Lernen Sie Den Autor Kennen

Nachrichten

Wahl 2020

Mit Index

Unter Der Kuppel

Feuerwehrschlauch

Unendliche Geschichten

Pandemie-Technologieprojekt

Vom Präsidenten

Titelstory

Fotogallerie

Empfohlen