Neural Network leert criminelen te identificeren aan de hand van hun gezicht

Kort na de uitvinding van de fotografie begonnen een paar criminologen patronen op te merken in de foto's die ze van criminelen maakten. Overtreders, zeiden ze, hadden bepaalde gelaatstrekken waardoor ze konden worden geïdentificeerd als wetsovertreders.

Een van de meest invloedrijke stemmen in dit debat was Cesare Lombroso, een Italiaanse criminoloog, die geloofde dat criminelen meer verwant waren aan apen dan gezagsgetrouwe burgers. Hij was ervan overtuigd dat hij ze kon identificeren aan de hand van aapachtige kenmerken zoals een schuin voorhoofd, oren van ongebruikelijke grootte en verschillende asymmetrieën van het gezicht en lange armen. Hij mat inderdaad veel proefpersonen in een poging zijn mening te bewijzen, hoewel hij zijn gegevens niet statistisch analyseerde.

Deze tekortkoming leidde uiteindelijk tot zijn ondergang. Lombroso's opvattingen werden in diskrediet gebracht door de Engelse criminoloog Charles Goring, die de gegevens met betrekking tot fysieke afwijkingen bij criminelen versus niet-criminelen statistisch analyseerde. Hij concludeerde dat er geen statistisch verschil was.

En daar rustte het debat tot 2011, toen een groep psychologen van de Cornell University aantoonde dat mensen eigenlijk heel goed waren in het onderscheiden van criminelen van niet-criminelen door alleen maar naar foto's van hen te kijken. Hoe zou dat kunnen als er geen statistisch verschillende kenmerken zijn?

Vandaag krijgen we een soort antwoord, dankzij het werk van Xiaolin Wu en Xi Zhang van de Shanghai Jiao Tong University in China. Deze jongens hebben verschillende algoritmen voor machinevisie gebruikt om gezichten van criminelen en niet-criminelen te bestuderen en hebben het vervolgens getest om erachter te komen of het het verschil kon zien.

Hun methode is eenvoudig. Ze nemen ID-foto's van 1856 Chinese mannen tussen 18 en 55 jaar zonder gezichtshaar. De helft van deze mannen waren criminelen.

Ze gebruikten vervolgens 90 procent van deze afbeeldingen om een ​​convolutioneel neuraal netwerk te trainen om het verschil te herkennen en testten vervolgens het neurale net op de resterende 10 procent van de afbeeldingen.

De resultaten zijn verontrustend. Xiaolin en Xi ontdekten dat het neurale netwerk criminelen en niet-criminelen correct kon identificeren met een nauwkeurigheid van 89,5 procent. Deze zeer consistente resultaten zijn bewijs voor de validiteit van geautomatiseerde gezichts-geïnduceerde inferentie over criminaliteit, ondanks de historische controverse rond het onderwerp, zeggen ze.

Xiaolin en Xi zeggen dat er drie gelaatstrekken zijn die het neurale netwerk gebruikt om zijn classificatie te maken. Dit zijn: de kromming van de bovenlip die voor criminelen gemiddeld 23 procent groter is dan voor niet-criminelen; de afstand tussen twee binnenste ooghoeken, die 6 procent korter is; en de hoek tussen twee lijnen getrokken van het puntje van de neus naar de mondhoeken, die 20 procent kleiner is.

Ze gaan verder met het plotten van de variantie in de gegevens van criminele en niet-criminele gezichten in een vereenvoudigde parameterruimte die een verdeelstuk wordt genoemd. En dit proces onthult waarom het verschil moeilijk vast te stellen is.

Xiaolin en Xi laten zien dat deze datasets concentrisch zijn, maar dat de data voor criminele gezichten een veel grotere variantie hebben. Met andere woorden, de gezichten van het algemene gezagsgetrouwe publiek hebben een grotere mate van gelijkenis in vergelijking met de gezichten van criminelen, of criminelen hebben een grotere mate van ongelijkheid in gezichtsuitdrukking dan normale mensen, zeggen Xiaolin en Xi.

Dit kan ook verklaren waarom bepaalde soorten statistische tests geen onderscheid kunnen maken tussen deze datasets. Xiaolin en Xi laten inderdaad zien dat wanneer ze criminele en niet-criminele gezichten combineren om gemiddelde gezichten te creëren, ze er bijna identiek uitzien.

Hoewel controversieel, is dat resultaat niet geheel onverwacht. Als mensen criminelen kunnen herkennen door naar hun gezicht te kijken, zoals psychologen in 2011 ontdekten, zou het geen verrassing moeten zijn dat machines dat ook kunnen.

De zorg is natuurlijk hoe mensen deze machines zouden kunnen gebruiken. Het is niet moeilijk voor te stellen hoe dit proces zou kunnen worden toegepast op datasets van bijvoorbeeld paspoort- of rijbewijsfoto's voor een heel land. Het zou dan mogelijk zijn om die mensen die als wetsovertreders zijn geïdentificeerd eruit te pikken, of ze nu wel of niet een misdaad hebben begaan.

Dat is een soort van Minderheidsverslag scenario waarin wetsovertreders konden worden geïdentificeerd voordat ze een misdaad hadden begaan.

Natuurlijk moet dit werk op een veel steviger fundament komen te staan. Het moet worden gereproduceerd met verschillende leeftijden, geslachten, etniciteiten, enzovoort. En op veel grotere datasets. Dat zou moeten helpen om de complexiteit van de bevindingen uit elkaar te houden. Xiaolin en Xi vinden bijvoorbeeld dat criminele gezichten kunnen worden onderverdeeld in vier subgroepen, maar niet-criminele gezichten in slechts drie. Hoe kan dat? En hoe verschilt dit in andere groepen?

En het werk roept belangrijke vragen op. Als het resultaat klopt, hoe moet dat dan worden verklaard? Waarom zouden de gezichten van criminelen veel meer verschillen hebben dan die van niet-criminelen? En hoe kunnen we deze gezichten herkennen - is het aangeleerd gedrag of vastgebonden gedrag dat is geëvolueerd?

Dit alles luidt een nieuw tijdperk in van antropometrie, al dan niet crimineel. Vorige week onthulden onderzoekers hoe ze een dieplerende machine hadden getraind om op dezelfde manier als mensen te beoordelen of iemand betrouwbaar was door naar een momentopname van hun gezicht te kijken. Dit werk is een andere kijk op hetzelfde onderwerp. En er is ruimte voor veel meer onderzoek naarmate machines capabeler worden. Het onderzoeken van wat onze kleding of ons haar over ons zegt, is een voor de hand liggende invalshoek. En straks kunnen machines ook beweging bestuderen. Dat vergroot de mogelijkheid om te bestuderen hoe we bewegen, hoe we met elkaar omgaan, enzovoort.

Referentie: arxiv.org/abs/1611.04135 : Geautomatiseerde inferentie over criminaliteit met behulp van gezichtsafbeeldingen

zich verstoppen