Neuralt nätverk lär sig att identifiera brottslingar genom deras ansikten

Strax efter fotografiets uppfinning började några kriminologer lägga märke till mönster i mugshots de tog av brottslingar. Förövare, sa de, hade särskilda ansiktsdrag som gjorde att de kunde identifieras som lagöverträdare.

En av de mest inflytelserika rösterna i den här debatten var Cesare Lombroso, en italiensk kriminolog, som trodde att brottslingar var återfall som var närmare släkt med apor än laglydiga medborgare. Han var övertygad om att han kunde identifiera dem genom apliknande drag som en sluttande panna, ovanligt stora öron och olika asymmetrier i ansiktet och långa armar. Faktum är att han mätte många ämnen i ett försök att bevisa sin uppfattning även om han inte analyserade hans data statistiskt.

Denna brist ledde så småningom till hans undergång. Lombrosos åsikter misskrediterades av den engelske kriminologen Charles Goring, som statistiskt analyserade uppgifterna om fysiska abnormiteter hos brottslingar kontra icke-kriminella. Han drog slutsatsen att det inte fanns någon statistisk skillnad.

Och där vilade debatten fram till 2011, då en grupp psykologer från Cornell University visade att människor faktiskt var ganska bra på att skilja kriminella från icke-kriminella bara genom att titta på foton på dem. Hur kan det vara om det inte finns några statistiskt olika funktioner?

Idag får vi ett slags svar, tack vare Xiaolin Wu och Xi Zhangs arbete från Shanghai Jiao Tong University i Kina. Dessa killar har använt en mängd olika maskinseende-algoritmer för att studera ansikten på brottslingar och icke-kriminella och sedan testat det för att ta reda på om det kan se skillnad.

Deras metod är okomplicerad. De tar ID-bilder av 1856 kinesiska män mellan 18 och 55 år utan ansiktshår. Hälften av dessa män var kriminella.

De använde sedan 90 procent av dessa bilder för att träna ett konvolutionellt neuralt nätverk för att känna igen skillnaden och testade sedan det neurala nätet på de återstående 10 procenten av bilderna.

Resultaten är oroande. Xiaolin och Xi fann att det neurala nätverket korrekt kunde identifiera brottslingar och icke-kriminella med en noggrannhet på 89,5 procent. Dessa mycket konsekventa resultat är bevis för giltigheten av automatiserade ansiktsinducerade slutsatser om kriminalitet, trots den historiska kontroversen kring ämnet, säger de.

Xiaolin och Xi säger att det finns tre ansiktsdrag som det neurala nätverket använder för att göra sin klassificering. Dessa är: krökningen av överläppen som är i genomsnitt 23 procent större för brottslingar än för icke-kriminella; avståndet mellan två inre hörn av ögonen, vilket är 6 procent kortare; och vinkeln mellan två linjer som dras från nässpetsen till mungipan, som är 20 procent mindre.

De fortsätter med att plotta variansen i data från brottsliga och icke-kriminella ansikten i ett förenklat parameterutrymme som kallas ett grenrör. Och denna process avslöjar varför skillnaden har varit svår att fastställa.

Xiaolin och Xi visar att dessa datauppsättningar är koncentriska men att data för kriminella ansikten har mycket större varians. Med andra ord, ansiktena hos allmän lagbjudande allmänhet har en större grad av likhet jämfört med brottslingars ansikten, eller brottslingar har en högre grad av olikhet i ansiktsutseende än vanliga människor, säger Xiaolin och Xi.

Detta kan också förklara varför vissa typer av statistiska test inte kan skilja mellan dessa datamängder. Faktum är att Xiaolin och Xi visar att när de kombinerar kriminella och icke-kriminella ansikten för att skapa genomsnittliga ansikten, ser de nästan identiska ut.

Även om det är kontroversiellt är resultatet inte helt oväntat. Om människor kan upptäcka brottslingar genom att titta på deras ansikten, som psykologer fann 2011, borde det inte komma som någon överraskning att maskiner också kan göra det.

Oron är naturligtvis hur människor kan använda dessa maskiner. Det är inte svårt att föreställa sig hur denna process skulle kunna tillämpas på datamängder av exempelvis pass- eller körkortsbilder för ett helt land. Det skulle då vara möjligt att plocka ut de personer som identifierats som lagöverträdare, oavsett om de hade begått ett brott eller inte.

Det är ett slags Minoritetsrapport scenario där lagbrytare kunde identifieras innan de hade begått ett brott.

Naturligtvis måste detta arbete ställas på en mycket starkare grund. Det behöver reproduceras med olika åldrar, kön, etnicitet och så vidare. Och på mycket större datamängder. Det borde hjälpa till att riva isär komplexiteten i resultaten. Xiaolin och Xi finner till exempel att brottsliga ansikten kan delas in i fyra undergrupper, men icke-kriminella ansikten i endast tre. Hurså? Och hur varierar detta i andra grupper?

Och arbetet väcker viktiga frågor. Om resultatet håller vatten, hur ska det förklaras? Varför skulle brottslingars ansikten ha mycket större variation än icke-kriminellas? Och hur kan vi upptäcka dessa ansikten – är det inlärt beteende eller fast beteende som har utvecklats?

Allt detta förebådar en ny era av antropometri, kriminell eller på annat sätt. Förra veckan avslöjade forskare hur de hade tränat en djupinlärningsmaskin att bedöma på samma sätt som människor om någon var pålitlig genom att titta på en ögonblicksbild av deras ansikte. Det här arbetet är en annan variant av samma ämne. Och det finns utrymme för mycket mer forskning när maskiner blir mer kapabla. Att undersöka vad våra kläder eller hår säger om oss är en uppenbar vinkel. Och maskiner kommer snart att kunna studera rörelse också. Det ökar möjligheten att studera hur vi rör oss, hur vi interagerar och så vidare.

Ref: arxiv.org/abs/1611.04135 : Automatiserad slutsats om brottslighet med hjälp av ansiktsbilder

Dölj