GaitFace: A Multimodal Dataset for Long-Range Person Identification

Immagina di cercare di riconoscere un amico a un festival musicale affollato. Se si trova proprio accanto a te, puoi vedere il suo sorriso, il colore dei suoi occhi e il modo in cui inclina la testa. È così che funziona la maggior parte della tecnologia di "riconoscimento facciale" oggi: ha bisogno di una foto chiara e ravvicinata per essere sicura di chi sei. Ma cosa succederebbe se il tuo amico fosse a 100 metri di distanza, dietro una recinzione, e l'aria fosse nebbiosa? Improvvisamente, il suo volto è solo una piccola macchia sfocata. Nel mondo della sicurezza e del controllo delle frontiere, questo è un enorme mal di testa. Le telecamere di sicurezza spesso devono osservare le persone da lontano, dove la qualità dell'immagine è terribile, il tempo è brutto e la persona potrebbe camminare, portare una borsa o indossare una giacca diversa dal solito. Gli scienziati chiamano questo "identificazione di persone a lungo raggio". Studiano anche il modo in cui le persone camminano, noto come "andatura" (gait), perché anche se non riesci a vedere chiaramente un volto, il modo in cui qualcuno muove le gambe può talvolta rivelarlo. La grande domanda è: i computer possono ancora capire chi è chi quando l'immagine è granulosa, la distanza è enorme e la persona si sta muovendo?

Questo articolo presenta uno strumento chiamato GaitFace, che è come una gigantesca e realistica palestra di allenamento per programmi informatici che cercano di identificare le persone da lontano. I ricercatori hanno costruito un dataset speciale (una collezione di dati) per testare quanto bene l'attuale tecnologia gestisce questi scenari difficili e "reali". Hanno scoperto che, sebbene i nostri migliori modelli informatici siano bravissimi nel riconoscere i volti quando si ha una foto ad alta qualità e ravvicinata, praticamente falliscono miseramente quando l'immagine è a bassa risoluzione e scattata da lontano. Ancora più sorprendente è che i modelli che di solito sono i più "intelligenti" e complessi spesso falliscono proprio nelle condizioni più dure, mentre alcuni modelli più semplici e leggeri riescono a resistere un po' meglio. Il documento mostra anche che i modelli di camminata (gait) sono incredibilmente difficili da riconoscere da lontano quando i vestiti o gli accessori della persona cambiano. Il punto principale è che non abbiamo ancora una soluzione perfetta; i sistemi attuali sono molto fragili quando la visuale è scarsa, e abbiamo bisogno di una tecnologia molto migliore per far sì che la sicurezza delle frontiere e la sorveglianza funzionino in modo affidabile senza richiedere foto perfette e ravvicinate.

La storia di GaitFace

Pensa allo stato attuale delle telecamere di sicurezza come a un detective che cerca di risolvere un mistero usando solo un fotogramma sfocato. Gli autori di questo articolo hanno deciso di costruire una "scatola misteriosa" di dati per vedere esattamente quanto sia cattivo il difetto di sfocatura e come i nostri detective digitali lo gestiscono. Hanno creato GaitFace, un dataset pubblico che combina due tipi di indizi: i volti e il modo in cui le persone camminano (andatura).

La configurazione è stata progettata per imitare un vero passaggio di frontiera, ma con un colpo di scena. Immagina un viaggiatore che arriva a una stazione. Per prima cosa, scatta un selfie con il proprio telefono. Questa è la fase di "Pre-Enrollment" (pre-iscrizione): una foto chiara e di alta qualità di chi è. Successivamente, il viaggiatore cammina all'esterno su un percorso. Mentre cammina, viene filmato da due angolazioni diverse: una dal livello del suolo (come una guardia giurata che sta nelle vicinanze) e una dal terzo piano di un edificio (come una telecamera montata in alto su un palo). Cammina su questo percorso fino a 100 metri di distanza dalle telecamere.

I ricercatori non si sono limitati a far camminare i partecipanti normalmente. Per renderlo un vero test, hanno aggiunto del "caos". I partecipanti hanno camminato parlando al telefono, portando uno zaino, indossando una giacca diversa o semplicemente camminando normalmente. Hanno fatto questo in due giorni diversi, a distanza di settimane, per vedere se il computer potesse ancora riconoscerli quando i capelli cambiavano o il tempo era piovoso invece che soleggiato. In totale, hanno registrato 70 persone, creando circa 2,7 TB di dati video e immagini.

Il Grande Test: Cosa è successo?

I ricercatori hanno preso i più avanzati computer di riconoscimento facciale e di andatura (chiamati "modelli") e li hanno lanciati in questi dati disordinati e realistici. Ecco cosa hanno scoperto:

1. La magia dello "Zoom" contro la realtà della "Sfocatura"
Quando le telecamere utilizzavano uno zoom ottico potente per ottenere un'immagine chiara e di alta qualità da 100 metri di distanza, i computer erano fantastici. Potevano identificare le persone con un'accuratezza molto elevata, quasi come se la persona fosse proprio davanti a loro. Tuttavia, nel momento in cui hanno tolto lo zoom e hanno usato l'obiettivo normale della telecamera, i risultati sono stati un disastro.

• Senza lo zoom, il volto di una persona a 100 metri era grande solo circa 18 per 22 pixel. È più piccolo di un francobollo!
• In questa modalità a bassa qualità, i migliori computer faticavano a distinguere una persona reale da uno sconosciuto. La loro accuratezza è scesa così tanto che erano appena migliori di un semplice indovinare.
• Interessante è che i ricercatori hanno scoperto che i modelli informatici più semplici e leggeri (come EdgeFace) a volte si comportavano meglio di quelli massicci e complessi. Sembra che i modelli enormi si confondano per la mancanza di dettagli, mentre quelli più piccoli sono più flessibili.

2. La sorpresa del "Camminare verso la Telecamera"
I ricercatori hanno anche testato cosa succede quando una persona cammina da 100 metri fino a 3 metri di distanza.

• All'estremità lontana (100 m), i computer erano quasi ciechi.
• Man mano che la persona si avvicinava, i computer miglioravano, ma il miglioramento non era fluido. Anche quando la persona era relativamente vicina, se il sistema di sicurezza era impostato per essere molto rigoroso (per evitare falsi allarmi), i computer fallivano comunque nel riconoscere molte persone.
• Questo ha dimostrato che aspettare semplicemente che qualcuno si avvicini non è una soluzione perfetta; il sistema deve essere abbastanza robusto da gestire anche i momenti sfocati.

3. L'enigma dell'Andatura (Gait)
Riconoscere il modo in cui qualcuno cammina dovrebbe essere un piano di riserva quando i volti sono troppo sfocati. Ma il test GaitFace ha dimostrato che anche questo è molto difficile.

• Quando l'angolazione della telecamera cambiava (dal suolo al terzo piano) o quando la persona cambiava vestiti o portava una borsa, i computer andavano molto in confusione.
• I migliori modelli ottenevano solo il 20% - 28% di correttezza negli scenari più facili, e le prestazioni calavano ulteriormente quando le condizioni diventavano difficili.
• I ricercatori hanno scoperto che i modelli addestrati su video puliti e a breve distanza (come persone che camminano in uno studio) fallivano miseramente di fronte ai video disordinati e a lunga distanza di GaitFace.

Perché questo è importante

L'articolo non sostiene di aver risolto il problema. Al contrario, agisce come un riflettore, mostrando esattamente dove la tecnologia attuale è debole. Dimostra che, sebbene abbiamo un riconoscimento facciali eccezionale per le foto ravvicinate, non siamo pronti per il mondo reale della sorveglianza a lunga distanza. Le "vulnerabilità" esposte qui significano che se ci affidiamo a questi sistemi per il controllo delle frontiere oggi, potremmo perdere persone o commettere errori.

Gli autori suggeriscono che il futuro risieda nel combinare i due indizi — volto e andatura — in modo che, se il volto è troppo sfocato, il modello di camminata possa aiutare, e viceversa. Ma per ora, GaitFace funge da parametro di riferimento duro e onesto. Dice ai ricercatori: "Ecco la vera sfida. I vostri strumenti attuali non sono ancora abbastanza buoni. Costruite qualcosa di migliore". Rendendo questi dati pubblici, gli autori sperano di ispirare una nuova generazione di sistemi di sicurezza più intelligenti e resistenti, capaci di gestire la disordinata realtà del mondo esterno.