Les transformations monotones par coordonnées permettent une estimation de l'âge en préservant la confidentialité avec un nuage de points de visage 3D
Dans une publication récente dans Sciences Chine Sciences de la vie, une équipe de recherche dirigée par le professeur Jing-Dong Jackie Han et le Ph.D. L'étudiant Xinyu Yang de l'Université de Pékin a établi un modèle d'apprentissage profond pour l'estimation de l'âge à l'aide de nuages de points de visage 3D non enregistrés. Ils ont également proposé un algorithme de transformation monotone par coordonnées pour isoler les traits du visage liés à l'âge des visages humains identifiables.
L’équipe a entraîné le modèle sur plus de 16 000 instances de données de nuages de points de visage 3D, atteignant une erreur absolue moyenne d’environ 2,5 ans. Le modèle reconnaît l'invariance rotationnelle des visages humains. Dans leur analyse de la forme du visage et de l'importance du teint, ils ont développé l'algorithme de transformations monotones par coordonnées.
L'algorithme peut déformer les visages sans modifier les positions relatives des éléments du visage. L’équipe a découvert que les modèles d’apprentissage profond pouvaient estimer avec précision et cohérence l’âge des visages avant et après l’application de l’algorithme de transformation dans divers scénarios, démontrant que les transformations préservent efficacement les caractéristiques faciales liées à l’âge.
Cependant, lors des tests visuels, les sujets ont constaté une diminution notable de la précision et de la vitesse de réponse lors de l’évaluation des visages transformés. De plus, les modèles informatiques de vérification des visages formés sur des formes de visage normales n’ont pas réussi à reconnaître les visages transformés.
Compte tenu des similitudes et des différences dans les tâches d’estimation de l’âge et d’identification, l’équipe de recherche a proposé une ligne directrice sur la protection des données faciales. Cette ligne directrice, présentant des transformations monotones par coordonnées et un approvisionnement sélectif de données, vise à fournir une base théorique pour la gestion des centres de données faciales ou des ensembles de données publics.