{"notes":[{"id":"face-recognition/frvt-distinguishing-twins","category":"face-recognition","legacyPath":"face-recognition/2209-frvt-distinguishing-twins","legacySlug":"2209-frvt-distinguishing-twins","legacyPaths":[],"title":"FRVT-Twins","subtitle":"雙胞胎辨識能力報告","author":"Z. Yuan","paperDate":"2022","publishedOn":"2024-06-23","paperTitle":"FRVT: Face Recognition Verification Accuracy on Distinguishing Twins (NIST.IR.8439)","paperUrl":"https://doi.org/10.6028/NIST.IR.8439","bibliography":{"title":"FRVT: Face Recognition Verification Accuracy on Distinguishing Twins (NIST.IR.8439)","authors":["Kayee Hanaoka","Mei Ngan","Patrick Grother","Austin Hom"],"url":"https://doi.org/10.6028/NIST.IR.8439","pdfUrl":"https://nvlpubs.nist.gov/nistpubs/ir/2022/NIST.IR.8439.pdf","codeUrl":null,"preprint":null,"publication":{"venue":"NIST IR 8439","year":2022,"kind":"report","url":"https://doi.org/10.6028/NIST.IR.8439"},"citation":"@techreport{facerecognitionfrvtdistinguishingtwins2022,\n  title = {{FRVT: Face Recognition Verification Accuracy on Distinguishing Twins (NIST.IR.8439)}},\n  author = {Kayee Hanaoka and Mei Ngan and Patrick Grother and Austin Hom},\n  year = {2022},\n  institution = {NIST IR 8439},\n  url = {https://doi.org/10.6028/NIST.IR.8439},\n  doi = {10.6028/NIST.IR.8439}\n}\n","citationPath":"/content/papers/citations/face-recognition/frvt-distinguishing-twins.6830f1728bb8.bib"},"thumbnail":{"src":"/content/papers/assets/4a3f734b914c80250df62c1ecad7f4d2814af21d5bacd751fbd359e7ffb2f68c.jpg","width":1224,"height":404},"locale":"zh-hant","path":"/content/papers/zh-hant/face-recognition/frvt-distinguishing-twins.2ac0e0eed719.md","headings":[{"id":"簡介","text":"簡介","depth":2},{"id":"資料集","text":"資料集","depth":2},{"id":"twins-day-dataset-2010-2018","text":"Twins Day Dataset 2010-2018","depth":3},{"id":"immigration-related-images","text":"Immigration-related Images","depth":3},{"id":"資料集缺陷","text":"資料集缺陷","depth":2},{"id":"小型族群","text":"小型族群","depth":3},{"id":"辨識碼的變化","text":"辨識碼的變化","depth":3},{"id":"不正確遺失的-metadata","text":"不正確/遺失的 Metadata","depth":3},{"id":"資料不平衡","text":"資料不平衡","depth":3},{"id":"種族不平衡","text":"種族不平衡","depth":3},{"id":"演算法分析報告","text":"演算法分析報告","depth":2},{"id":"分析指標","text":"分析指標","depth":3},{"id":"同卵雙胞胎","text":"同卵雙胞胎","depth":3},{"id":"少數可以辨識同卵雙胞胎","text":"少數可以辨識同卵雙胞胎","depth":3},{"id":"綜合分析","text":"綜合分析","depth":2},{"id":"score-distributions","text":"Score distributions","depth":3},{"id":"age-effects","text":"Age effects","depth":3},{"id":"longitudinal-effects","text":"Longitudinal effects","depth":3},{"id":"結論","text":"結論","depth":2},{"id":"利用更高解析度的影像","text":"利用更高解析度的影像","depth":3}],"anchorAliases":{},"guide":null,"relatedReading":[{"id":"face-recognition/tivc","relation":"comparison","topic":"人臉辨識如何區分雙胞胎"}]},{"id":"face-recognition/tivc","category":"face-recognition","legacyPath":"face-recognition/2309-tivc","legacySlug":"2309-tivc","legacyPaths":[],"title":"TIVC-DCNNSH","subtitle":"雙胞胎辨識的觀點","author":"Z. Yuan","paperDate":"2023","publishedOn":"2024-06-25","paperTitle":"Twin Identification over Viewpoint Change: A Deep Convolutional Neural Network Surpasses Humans","paperUrl":"https://doi.org/10.1145/3609224","bibliography":{"title":"Twin Identification over Viewpoint Change: A Deep Convolutional Neural Network Surpasses Humans","authors":["Connor J. Parde","Virginia E. Strehle","Vivekjyoti Banerjee","Ying Hu","Jacqueline G. Cavazos","Carlos D. Castillo","Alice J. O’Toole"],"url":"https://doi.org/10.1145/3609224","pdfUrl":null,"codeUrl":null,"preprint":null,"publication":{"venue":"ACM Transactions on Applied Perception","shortVenue":"ACM TAP","year":2023,"kind":"journal","url":"https://doi.org/10.1145/3609224"},"citation":"@article{facerecognitiontivc2023,\n  title = {{Twin Identification over Viewpoint Change: A Deep Convolutional Neural Network Surpasses Humans}},\n  author = {Connor J. Parde and Virginia E. Strehle and Vivekjyoti Banerjee and Ying Hu and Jacqueline G. Cavazos and Carlos D. Castillo and Alice J. O’Toole},\n  year = {2023},\n  journal = {ACM Transactions on Applied Perception},\n  url = {https://doi.org/10.1145/3609224},\n  doi = {10.1145/3609224}\n}\n","citationPath":"/content/papers/citations/face-recognition/tivc.35753c278ce5.bib"},"thumbnail":{"src":"/content/papers/assets/f9b274834342f8c4921b94ae904fcb2a43b02204f2f425c26f498b98aaab60c4.jpg","width":1224,"height":476},"locale":"zh-hant","path":"/content/papers/zh-hant/face-recognition/tivc.c5eae29d4a9c.md","headings":[{"id":"來自另外一篇論文的回顧","text":"來自另外一篇論文的回顧","depth":2},{"id":"dcnn-之前的演算法","text":"DCNN 之前的演算法","depth":3},{"id":"深度學習方法","text":"深度學習方法","depth":3},{"id":"定義問題","text":"定義問題","depth":2},{"id":"解決問題","text":"解決問題","depth":2},{"id":"實驗-1人類對同卵雙胞胎的辨識","text":"實驗 1：人類對同卵雙胞胎的辨識","depth":3},{"id":"實驗-2dcnn-對同卵雙胞胎的辨識","text":"實驗 2：DCNN 對同卵雙胞胎的辨識","depth":3},{"id":"討論","text":"討論","depth":2},{"id":"實驗結果","text":"實驗結果","depth":3},{"id":"結論","text":"結論","depth":2}],"anchorAliases":{},"guide":null,"relatedReading":[{"id":"face-recognition/frvt-distinguishing-twins","relation":"comparison","topic":"人臉辨識如何區分雙胞胎"}]}],"text":"這不是一篇論文，而是一篇技術報告。\n\n主要是 NIST 在 FRVT（Face Recognition Vendor Test）中，針對區分雙胞胎的問題進行了研究。\n\n這是一個很有趣的問題，因為雙胞胎之間的相似度非常高，對於人臉辨識系統來說，這可能會造成一些困難...\n\n呃，不對。\n\n應該說：對人臉辨識系統來說，「辨識雙胞胎」是個令人感到窒息的困難任務。\n\n## 簡介\n\n人臉辨識技術在公共和私營部門中的應用越來越廣泛，主要用於身份驗證、交易授權及存取控制。\n\n過去十年中，FRVT 評估中的準確性顯著提高，支持了這些用途。\n\n自 COVID-19 大流行以來，一些演算法已經能夠辨識佩戴口罩的個人。\n\n然而，儘管有這些進步，雙胞胎的辨識仍然存在問題。\n\n本報告記錄了最新演算法在這方面的結果。\n\n## 資料集\n\n### Twins Day Dataset 2010-2018\n\n- [**Download**](https://biic.wvu.edu/data-sets/twins-day-dataset-2010-1015)\n\n該資料集來自西維吉尼亞大學的生物辨識與辨識創新中心，包含 2010 年至 2018 年 Twins Days 的圖像。\n\n這些收集是根據 IRB 協議進行的，並獲得了每個參與者的知情同意。\n\n每年收集的圖像尺寸不同：\n\n- 2010 年為 2848x4288\n- 2011 年為 3744x5616\n- 2012 至 2018 年為 3300x4400 和 2400x3200。\n\n圖片均為高品質正面人像，符合 NIST SAP50 規範（規定頭部及肩部構圖要求）及 SAP 51 規範（規定頭部構圖要求）\n\n以下兩張範例圖在報告中標為 University of Notre Dame Twins Days Database 的影像；本次受測的 Twins Days 資料則由西維吉尼亞大學收集，不能把示例圖當作受測樣本。\n\n- **範例圖片：不同人**\n\n  ![different](/content/papers/assets/4a3f734b914c80250df62c1ecad7f4d2814af21d5bacd751fbd359e7ffb2f68c.jpg)\n\n- **範例圖片：同一人**\n\n  ![same](/content/papers/assets/fb816e45d7ca3955e7966825e869558fbd244c63aa1e826bf5192716cfb0867f.jpg)\n\n### Immigration-related Images\n\n該資料集包含即時捕捉的影像，主要來自網路攝影機影像和一些簽證申請影像。\n\n網路攝影機影像由服務員在時間限制下拍攝，因此存在橫滾角、俯仰角和偏航角變化，背景照明有時過亮導致臉部曝光不足，且因為近距離拍攝產生透視失真，有些臉部部分裁剪，這些影像的平均眼距為 38 像素，不符合 ISO/IEC 19794-5 全正面影像類型。\n\n其中，有一些受試者還有在參加面試環境中使用專用設備和照明收集的簽證申請影像，這些影像的幾何形狀符合 ISO/IEC 19794-5 標準，擷取尺寸為 300x300，姿勢接近正面。\n\n- **示意圖**\n\n  ![img3](/content/papers/assets/e9150737cff35ca40d7ce01d85c95e1d3b81a927ea4334e74e7cb224f95737b9.jpg)\n\n## 資料集缺陷\n\n### 小型族群\n\n- 雙胞胎日與移民相關資料合計只有 5900 多張影像、698 對雙胞胎，比其他 NIST FRVT 1:1 資料集小。\n- 由於部分資料的 Metadata 不一致或缺失，許多影像和雙胞胎被排除，包括一些錯誤匹配的情況（例如，A 與 B 是雙胞胎，但 B 與 C 也被記錄為雙胞胎）。\n- 移民相關資料集保留了大部分影像，包含 152 對雙胞胎和 2,478 張影像。\n\n### 辨識碼的變化\n\n- 雙胞胎日通常對相同參與者每年分配相同的辨識碼，但有時會更換新的辨識碼。\n- 這導致非雙胞胎比較中，一小部分高於閾值的比較得分，實際上應是正確匹配卻顯示為錯誤。\n\n### 不正確/遺失的 Metadata\n\n- 雙胞胎日 2011、2014、2015、2016 年的資料有部分或全部 Metadata 遺失。\n- 不正確的雙胞胎類型、生日等 Metadata 不匹配導致許多影像被排除。\n- 移民相關影像資料中缺乏異卵或同卵雙胞胎的區分信息。\n\n### 資料不平衡\n\n- 雙胞胎日影像在雙胞胎類型的分布不均，其中 2.8% 為異性異卵雙胞胎，6.7% 為同性異卵雙胞胎，90.5% 為同卵雙胞胎。\n- 資料集在年齡組分布上也不平衡，大部分影像屬於 20-39 歲範圍，而 40-59 歲和 60 歲以上的老年族群影像極少。\n\n### 種族不平衡\n\n- Twins Days 資料集包含參與者的種族身份，85% 為白人，10% 為非裔美國人，5% 為其他。\n- 各族群樣本比例懸殊，報告認為不適合根據這份資料做種族分組分析。\n\n## 演算法分析報告\n\n由於 FRVT 的活動向全世界開放，因此有許多演算法參與者。\n\n本報告記錄了 2019 年至 2022 年 2 月中旬提交給 FRVT 1:1 測試，共 478 個演算法結果。\n\n### 分析指標\n\n- **錯誤匹配率 (False Match Rate, FMR)**\n\n  錯誤匹配率（FMR）是在**不同人影像對**的比較中，被錯誤判為同一人的比例。\n\n  在人臉辨識系統中，這是一個關鍵的性能指標，特別是在需要高安全性的應用場合，如銀行或機場安檢。\n\n  報告先以一般、非雙胞胎的不同人影像對，選出使 FMR 達 0.0001 的相似度門檻，再將對應門檻用於雙胞胎影像對；Twins Days 以 mugshot 為對照，移民相關資料的結果表則以 Visa-Border 為對照。不能把 0.0001 當作雙胞胎比較的 FMR。\n\n- **不匹配率 (False Non-Match Rate, FNMR)**\n\n  不匹配率（FNMR）是在**同一人影像對**的比較中，被錯誤判為不同人的比例。\n\n  這同樣是衡量人臉辨識系統性能的重要指標，尤其是在用戶便利性和用戶體驗的場合。\n\n- **FNMR @ FMR = 0.0001**\n\n  當你看到「FNMR @ FMR = 0.0001」，是指先在一般非雙胞胎影像對上校準 FMR=0.0001 的門檻，再用對應門檻量測同一人影像對的 FNMR；Twins Days 與移民相關資料分別參照 mugshot 與 Visa-Border 對照組。\n\n  這項對照可檢查一般人像驗證的錯誤不匹配情形；雙胞胎 FMR 仍須另外量測。\n\n### 同卵雙胞胎\n\n- 在雙胞胎日數據中，同卵雙胞胎的 FMR 值通常高於 0.99，顯示這些雙胞胎幾乎總是能夠被演算法錯誤地辨識為彼此。\n- 低於 0.99 的 FMR 主要來自兩類情況：\n\n  - **系統錯誤**：高註冊失敗率（FTE）導致未能從許多或所有影像中提取特徵的算法。\n  - **演算法不佳**：系統錯誤不匹配率（FNMR）高、因此產生低分數的算法，意思就是演算法看什麼都是不同人。\n\n### 少數可以辨識同卵雙胞胎\n\n一些演算法在辨識同卵雙胞胎方面顯示出較高的準確性，這些演算法在辨識過程中沒有將所有同卵雙胞胎錯誤地辨識為同一人。\n\n這些演算法包括：\n\n- **演算法**: aigen-001, aigen-002, beyneai-000, glory-004, mobai-000, 和 iqface-001。\n- **性能指標**:\n  - **mugshot 對照組的 FNMR (錯誤不匹配率)**: ≤ 0.02\n  - **mugshot 對照組的 FTE (註冊失敗率)**: ≤ 0.02\n  - **同卵雙胞胎的 FMR (錯誤匹配率)**: ≤ 0.7\n\n其中 aigen-002 在這個門檻下的同卵雙胞胎 FMR 為 0.475，約有一半的不同人雙胞胎比較未被誤判為同一人。0.0001 是一般 mugshot 影像對校準門檻時的目標 FMR；0.475 是雙胞胎影像對的結果，兩者不是同一群資料上的成績。\n\n## 綜合分析\n\n![result](/content/papers/assets/dcd27fed3c20608283e7f02e46eee979765d15091657452f14df10003efeee39.jpg)\n\n### Score distributions\n\n上圖顯示了兩個準確且代表性的算法對於不同類型照片的分數分佈。\n\n其中最高分數主要來自「mated twins」分組，表示同一位雙胞胎在同一天拍攝的兩張照片之間的比較；這裡的 mated 指同一人。\n\n次高分數來自標籤為「mated mugshot」的普通人像照片，用作對照組。\n\n同卵雙胞胎之間的比較（標記為「non-mated identical twins」）也獲得了相似的高分。\n\n異卵同性雙胞胎（標記為「non-mated fraternal samesex twins」）的分數同樣接近上述高分。\n\n這幾組分布大多位於虛線門檻右側；該門檻是在一般非雙胞胎的不同人 mugshot 影像對上校準至 FMR=0.0001，圖中雙胞胎組的 FMR 會高得多。\n\n\n> [!TIP]\n> \n> 雖然雙胞胎的分數略低於相同個體的分數，這些結果仍然遠高於模型閾值，顯示出算法在區分雙胞胎與非雙胞胎間的挑戰。\n> \n> 此外，報告指出，若單純提高門檻來壓低雙胞胎之間的錯誤匹配，同一人的錯誤不匹配率也會升至實務上難以接受的程度。\n\n\n### Age effects\n\n報告摘要的年齡分組分析指出，兩個資料集的年長雙胞胎手足之間，亦即「non-mated twins」不同人影像對，相似度分數較低。\n\n**Twins Days 資料集**中將雙胞胎分為四個年齡層：0-19 歲、20-39 歲、40-59 歲和 60 歲以上。分析結果表明，在最老的年齡組別中，無論是異卵還是同卵的同性雙胞胎，其相似度分數均低於最年輕的年齡組。\n\n**移民相關資料集**只包含同性雙胞胎，且沒有同卵／異卵類型標記，分為 0-19、20-39、40-59 歲三組。摘要指出，0-19 歲雙胞胎手足的相似度分布較接近同一人影像對，40-59 歲的分數則較低；但逐演算法圖表的說明也指出，多數演算法在年長組沒有顯示分數下降或變化。\n\n即使摘要所述的年長組相似度有所下降，許多雙胞胎手足的分數仍高於門檻，會被誤判為同一人。報告討論的是能否區分兩個人，並非讓演算法判斷雙胞胎屬於同卵或異卵。\n\n\n> [!TIP]\n> \n> 同性別異卵雙胞胎也常被誤判為同一人，雖然其外貌通常沒有同卵雙胞胎那麼相似。這份報告沒有測試一般兄弟姊妹。\n\n\n### Longitudinal effects\n\n報告比較 FRVT 中一般 mugshot 驗證較好的演算法後，發現它們在 Twins Days 同性異卵與同卵雙胞胎上的錯誤匹配率沒有隨一般驗證表現改善而同步下降。這是該批受測演算法的觀察，並非所有後續演算法的趨勢。\n\n## 結論\n\n在考慮 NIST 臉部辨識驗證測試(FRVT)中的表現及其對同卵和異卵雙胞胎的辨識能力時，現有的人臉辨識技術面臨顯著的挑戰，尤其是在區分遺傳上高度相似的同卵雙胞胎方面。\n\n儘管異卵雙胞胎之間的基因相似性較低，可能外觀差異更大，但演算法在區分兩者時仍存在困難，這種困難在那些對身分驗證精確度要求極高的場合中，可能會導致災難性的後果。\n\n針對未來的改進方向，本報告提出一個要點：必須利用更高解析度的影像來增強臉部辨識系統的表現。\n\n### 利用更高解析度的影像\n\n更高解析度的影像能夠提供更豐富的臉部皮膚細節，例如皮膚紋理、孔洞模式等，這些都是獨特的個體特徵，可能有助於區分甚至是遺傳上相同的雙胞胎。\n\n\n> [!TIP]\n> \n> 這種方法的有效性已經由 2004 年的專利演算法（美國專利：US7369685B2）所證實。\n> \n> 該演算法能透過分析高解析度影像中可見的皮膚紋理來準確區分雙胞胎。\n\n\n為了實現這一目標，建議未來的研究和開發應專注於改善影像擷取的品質，確保至少有 120 像素的眼間距，符合 ISO 標準的正面肖像，以適用於基於皮膚紋理的分析。此外，目前主流的神經網路模型通常會在輸入影像上直接做降採樣的操作，以提高運算速度，但這會丟失一些關鍵的細節信息，進而影響辨識的準確性。（特別是在區分雙胞胎這種高度相似的情況下）\n\n這些都是未來改進的方向，對於辨識雙胞胎的議題，希望能夠在未來的 FRVT 中看到更好的表現。\n","imageSizes":{"/content/papers/assets/4a3f734b914c80250df62c1ecad7f4d2814af21d5bacd751fbd359e7ffb2f68c.jpg":{"width":1224,"height":404},"/content/papers/assets/fb816e45d7ca3955e7966825e869558fbd244c63aa1e826bf5192716cfb0867f.jpg":{"width":1224,"height":484},"/content/papers/assets/e9150737cff35ca40d7ce01d85c95e1d3b81a927ea4334e74e7cb224f95737b9.jpg":{"width":1020,"height":402},"/content/papers/assets/dcd27fed3c20608283e7f02e46eee979765d15091657452f14df10003efeee39.jpg":{"width":1224,"height":628}}}
