Resultatet förväntades i allmänhet, även om felfrekvenserna är ganska imponerande.
US National Institute of Standards and Technology har lanserat en serie studier som syftar till att ta reda på hur väl ansiktsigenkänningsalgoritmer fungerar under maskläge. Frågan är extremt relevant idag, och vissa tillverkare säger att de redan har utvecklat system som kan känna igen maskerade ansikten. Men NIST började i ordning och i den första studien testade 89 algoritmer skapade redan innan pandemin började.
Testet använde mer än sex miljoner fotografier och algoritmer var tvungna att bestämma hur en bild av en person motsvarar en annan - den vanligaste uppgiften i sådana fall, i synnerhet används för att låsa upp smartphones. Från en svårare uppgift - att hitta en matchning för en i hela databasen - beslutade forskarna att vägra. Nio varianter av masker, olika i form och färg, överlagrades digitalt på bilderna.
Som ett resultat felades till och med de bästa av 89 algoritmer, som normalt kände igen ansikten med en noggrannhet av 99,7%, när man använder masker minst 5% av tiden. För majoriteten varierade emellertid felfrekvensen från 20% till 50%.
Den främsta orsaken var bristen på information om ansikts särskiljningsegenskaper, som faktiskt är nödvändiga för algoritmer för igenkänning. Samtidigt märkte NIST-specialister att maskens form och färg påverkar felnivån - ju större masken och ju högre den täcker näsan, desto svårare är det för algoritmen att känna igen bilden. Antalet fel var också högre vid användning av svarta masker, men som författarna till studien själva medger, hade de inte tillräckligt med tid att studera "färg" -frågan mer ingående.
I nästa studie avser NIST-specialister att testa nya algoritmer som redan inkluderar funktionen att känna igen maskerade ansikten.
