Американские разработчики представили Deep MasterPrints — алгоритм, который умеет создавать изображения универсальных отпечатков пальцев, которые подходят под фрагменты отпечатков пальцев реальных людей. Для этого авторы использовали генеративно-состязательную сеть, которую обучили на биометрических данных 5400 человек. Препринт статьи опубликован на arXiv.org.
Уникальность папиллярных линий — тех, которые образуют узор на подушечках человеческих пальцев — в конце XIX века привела к открытию дактилоскопии — методу опознания человека по отпечаткам пальцев, очень популярного в криминалистике. Уникальность, а также неизменность узора с течением времени позволяет отпечаткам служить валидными биометрическими данными, которые уже давно используются не только для опознания преступников, но и в качестве личного идентификатора, например, для разблокировки телефона или пересечения границы.
Тем не менее, некоторые способы идентификации человека по отпечатку пальца используют не целое его изображение, а только их часть. Такие системы могут быть небезопасны: это, к примеру, показали американские разработчики, создавшие MasterPrints — систему, которая ищет или создает универсальные фрагменты отпечатков пальцев, которые подходят сразу нескольким людям. В новой работе разработчики под руководством Филипа Бонтрэйджера (Philip Bontrager) из Нью-Йоркского университета решили пойти дальше и предложили алгоритм, который автоматически генерирует универсальные изображения отпечатков пальцев; систему назвали Deep MasterPrints.
Для этого они использовали генеративную состязательную нейросеть, которая обучалась на открытой базе данных, содержащих отпечатки пальцев 5400 людей — в работе авторы использовали отпечаток большого пальца на правой руке. После успешного создания изображения алгоритм ищет скрытые переменные, использованные генератором, для выбора наиболее универсального отпечатка — такого, который подойдет для наибольшего количества отпечатков из обучающей выборки.
При проверке разработанного метода ученые выяснили, что одно изображение отпечатка совпадает примерно с 76,67 процентами всей выборки, в то время как один фрагмент отпечатка MasterPrints совпадает лишь с 33,4 процента. Также ученые проверили полученные отпечатки пальцев на двух независимых от использованной обучающей выборки биометрических системах (Bozorth3 и Inovatrics): каждое созданное изображение оказалось в десять раз эффективнее случайно созданного отпечатка.
Полученная исследователями система в будущем может быть использована для улучшения алгоритмов идентификации пользователей по биометрическим данным. Кроме того, работа также может пригодиться и для улучшения методов создания синтезированных отпечатков пальцев.
В последнее время вместо отпечатков пальцев используют изображение человеческого лица: например, чуть больше года назад в смартфонах компании Apple начали использовать технологию FaceID. Тем не менее, такой метод уже показал свою уязвимость. Заменить его предлагают, к примеру, сканированием узора венок на лице.
Елизавета Ивтушок
Алгоритм помог отделить летучих мышей от птиц и насекомых
Ученым удалось точно описать миграцию перелетных летучих мышей и отличить их от других животных. Оказалось, что они летают на меньшей высоте, чем птицы, и начинают мигрировать позднее. Найти мигрирующих летучих мышей помог алгоритм для классификации данных с радаров: он определил, какие данные относятся к насекомым и птицам, а какие — к летучим мышам. Работа опубликована в журнале Methods in Ecology and Evolution. С помощью радаров ученые уже почти 80 лет исследуют летающих существ: птиц и насекомых. По данным с радаров можно изучать длительные и массовые перемещения птиц, например сезонную миграцию. Для анализа радарных данных нужно сначала понять, каким животным эти данные принадлежат. Птиц и насекомых легко различить по размеру, форме и аэродинамике, а вот летучих мышей от птиц отличить сложнее. Для различения летающих животных на радарных данных используются разные алгоритмы, в том числе методы машинного обучения, но для них нужно много предварительных наблюдений. Например, исследователи могут пронаблюдать за движением птиц в определенном месте и отметить их на данных с радаров. В отличие от птиц, летучие мыши активны в темное время суток, и наблюдать за ними сложнее, поэтому данных о миграции летучих мышей мало. Из-за отсутствия данных их перелеты не учитываются при строительстве небоскребов, вышек или электростанций, поэтому летучие мыши могут в них врезаться во время миграции. Чтобы лучше изучать и защищать летучих мышей, группа ученых из Тель-Авивского университета под руководством Нира Сапира (Nir Sapir) придумала способ определять их на данных с радаров. Во-первых, авторы учли характеристики полета летучих мышей: амплитуду и скорость движений крыльями, высоту и скорость передвижения. Во-вторых, они исследовали данные, собранные за четыре года в Долине Хула в Израиле за определенные две недели в июне — обычно в это время там останавливаются передохнуть многие перелетные птицы во время миграции по Евразийско-Африканскому маршруту, но по ночам в июне в долине встречаются только четыре хорошо изученных вида птиц, которых можно перепутать с летучими мышами. По характеристикам полета ученые отделили этих птиц от летучих мышей в радарных данных. Так авторы собрали датасет с информацией о перелетах летучих мышей и насекомых с птицами. Наблюдений по летучим мышам оказалось намного меньше, поэтому ученые дополнительно сгенерировали искусственные данные с помощью нейросети. В итоговом датасете получилось 430 тысяч наблюдений. На нем натренировали четыре классификатора, отделяющие летучих мышей от других летающих существ. Для классификации использовали деревья решений. Каждый классификатор использовал разный набор параметров: в одном учитывались все данные о полете, в другом не учитывалась скорость передвижения, в третьем — амплитуда и скорость махов крыльями, в четвертом — паузы без взмахов крыльями. Худшие результаты (точность меньше 65 процентов) показали третья и четвертая модели, которые не учитывали информацию о взмахах крыльями. Зато классификатор, обученный на полном наборе данных, показал точность 94 процента. Помимо обычной оценки точности классификации, авторы проверяли, как часто модель ошибочно определяет летучих мышей на дневных данных (обычно летучие мыши мигрируют по ночам). Авторы применили обученный классификатор на другие данные, собранные в Долине Хула, и смогли выяснить новые особенности миграции и поведения летучих мышей. Оказалось, что они еще менее активны зимой, чем летающие птицы и насекомые. Также ученые показали, что летучих мышей есть два основных периода и направления миграции: с марта по июнь на север и с сентября по ноябрь на юг. Летучие мыши начинают и заканчивают сезонные перелеты позднее, чем птицы. Недавно зоологи выяснили, что перелетные летучие мыши ориентируются по геомагнитному полю во время миграций. Ученые пришли к этому выводу после экспериментов с малыми нетопырями. Две группы летучих мышей держали в обычных клетках и клетках с искаженным магнитным полем. Когда обе группы выпустили из клеток, они полетели в разных направлениях.