Hay un par de preguntas aquí:
La pregunta al pie de la letra parece ser una pregunta de CS QA:
¿Por qué las computadoras no pueden superar de manera confiable a los humanos en reconocimiento facial?
- Andrew Ng: ¿Por qué ya no es necesario entrenar capas a través de codificadores automáticos para Deep Learning?
- ¿Qué factores además del conjunto de datos afectan cómo se elige el tamaño de lote para el descenso de gradiente estocástico (SGD) mini-lote?
- Cómo escribir un buen artículo sobre aprendizaje profundo o reforzar el aprendizaje sin la ayuda de un supervisor profesional
- Procesamiento del lenguaje natural: ¿Cuáles son algunas ideas de problemas / proyectos sobre la clasificación jerárquica de textos?
- ¿Cuándo puede el aprendizaje profundo ser una herramienta inadecuada para una empresa?
La pregunta interpretada contra el artículo mencionado en el enlace [Bobak et al. 2016-PLOS ONE-Resolviendo el problema de control de fronteras: la evidencia de una mejor coincidencia de rostros en personas con habilidades extraordinarias de reconocimiento facial] parece ser:
¿Qué lleva a los autores a opinar que las computadoras no pueden superar de manera confiable a los humanos en el reconocimiento facial?
Consideremos primero la última pregunta: es más fácil de responder. Consideraremos el estado actual de los sistemas de biometría de producción y su fiabilidad después de eso.
Antecedentes sobre el super reconocimiento
El súper reconocedor como concepto se introdujo alrededor de ~ 2009 (Russel et al. 2009-Psychonomic Bulletin & Review – Súper-reconocedores: personas con una extraordinaria capacidad de reconocimiento facial). Supuestamente se descubrió durante la investigación del desarrollo de la prosopagnosia / ceguera facial. Se descubrió que alrededor de 4 individuos se desempeñaron significativamente mejor en las tareas de identificación de rostros post-envejecimiento, multi-perspectiva y parcial del tipo ‘antes de ser famosas’ que otros participantes. Estas personas fueron descritas como los ‘ súper reconocedores ‘. El término establece principalmente el contraste con la prosopagnosia.
Un metaanálisis de publicaciones y la naturaleza de las revistas / instituciones sugiere que el concepto aún es marginal pero probablemente se generalizará. Sin embargo, no se descubrieron explicaciones o hipótesis neurofisiológicas coherentes que explicaran la ocurrencia de un súper reconocimiento en las búsquedas precursoras de scholar.google. [Un ejemplo de dicha investigación sobre el mecanismo de reconocimiento facial en humanos serían las partes de los objetos de aprendizaje de Seung por factorización / 2009 / Naturaleza]
Por lo tanto, no está del todo claro qué importancia tiene realmente etiquetar la cola derecha de una distribución.
Fig. 1. Google / trend indica que el término aún no está de moda dentro de la psicología convencional. La mayoría de las búsquedas relacionadas con ‘super-reconocedor’ parecen ser de blogs / prensa ( ¿Soy un super-reconocedor? ) Y referencias triviales que reconocen el concepto.
El artículo
Bobak y cols. La contribución del artículo es sugerir que Hey, use estas personas en lugar de las computadoras en los puntos de control de Border para comparar entre las fotos del pasaporte y la persona que presenta el pasaporte . Además de esto, los autores repiten el trabajo de Russell et al. Con algunas variaciones.
La sugerencia de ‘usar super-reconocedores, no computadoras’ es el punto central del artículo, no hay otra investigación nueva (después de todo, es un artículo PLoS ONE).
La afirmación ” Este trabajo es particularmente importante porque cada vez es más claro que las computadoras no pueden reemplazar de manera confiable a los humanos en las tareas de reconocimiento facial ” no se apoya ni se discute en el texto del artículo de investigación. No hay análisis de tiempos de respuesta, rendimiento / volúmenes o condiciones no óptimas para súper reconocedores. Esto implica que los autores estaban haciendo un comentario coloquial y extravagante para beneficio de un periodista.
Además, para calificar sus declaraciones de ” computadoras poco confiables en la detección de rostros “, Bobak et al. solo cite trabajos antiguos exclusivamente de revistas de Psicología Cognitiva, Psicología Experimental y Psicobiología que estudian factores humanos en el reconocimiento facial, no la ciencia o la tecnología detrás del reconocimiento algorítmico facial. No hay referencias a investigaciones más recientes como la de DeepFace (2014) o los esfuerzos de estandarización de algoritmos en NIST y en otros lugares.
¿Qué lleva a los autores a opinar que las computadoras no pueden superar de manera confiable a los humanos en el reconocimiento facial?
Entonces, para responder a la última pregunta en Babcock et al. contexto: No hacen la afirmación “Las computadoras no superan de manera confiable a los humanos en el reconocimiento facial”. El documento solo trata de recomendar la contratación de súper reconocimientos en la Aduana / Patrulla Fronteriza, no hay otras reclamaciones implícitas.
Su comentario al periodista solo parece ser un comentario casual para motivar su investigación. Si no hubiera sido por el adjetivo ‘súper reconocedor’, no habría llamado la atención de nadie.
Contratamos personas altas para jugar baloncesto; De eso se trata el periódico: hay personas altas en el mundo. Contrata personas altas para jugar baloncesto .
Probablemente no sea un excelente ejemplo de investigación psicológica.
¿Por qué las computadoras no pueden superar de manera confiable a los humanos en reconocimiento facial?
[Continuará]
¿Pueden las computadoras hacer un reconocimiento facial confiable?
¿Pueden las computadoras superar a los humanos en reconocimiento facial?
¿Pueden las computadoras superar de manera confiable a los humanos en reconocimiento facial?
¿Por qué las computadoras no pueden superar de manera confiable a los humanos en reconocimiento facial?
Página de inicio de Face
http://nvlpubs.nist.gov/nistpubs…
Programa Janus de IARPA y directivas A-PIE.
