Nodeflux Monthly AI Digest — February 2020 Issue | Face Recognition
Halo, guys! Nodeflux Monthly AI Digest kembali hadir untuk menghadirkan berbagai informasi menarik yang telah dikurasi seputar hal-hal yang sedang terjadi di industri AI serta pengembangannya di seluruh dunia.
Di edisi Februari 2020 ini, kami membahas beberapa paper serta berita terbaru terkait Face Recognition dan berbagai teknologi pendukungnya. Simak ulasannya berikut ini!
Editor’s Pick
MobileFaceNets: Efficient CNNs for Accurate RealTime Face Verification on Mobile Devices
Dipilih oleh: Iman Rahmansyah Tayibnapis
Dibuat oleh: Sheng Chen, Yang Liu, Xiang Gao, and Zhen Han
Sumber: https://arxiv.org/pdf/1804.07573.pdf
Sistem verifikasi wajah (face verification) — atau yang biasa dikenal dengan sistem pengenalan wajah (face recognition) — adalah suatu teknologi untuk mengenali seseorang melalui analisa dan komputasi pada suatu gambar digital. Teknologi ini memanfaatkan kecerdasan buatan (artificial intelligence/AI) untuk mengenali wajah-wajah orang yang sudah terdaftar di dalam basis data. Dalam pengembangan teknologi ini, banyak peneiliti yang menggunakan metode deep learning untuk mendapatkan hasil yang akurat.
Penggunaan metode deep learning pada umumnya membutuhkan perangkat dengan spesifikasi yang cukup tinggi karena metode ini biasanya menggunakan jaringan saraf tiruan (artificial neural network) yang besar dan mendalam. Hal tersebut akan menjadi masalah ketika kita hendak mengimplementasi face recognition dengan metode deep learning pada perangkat seluler atau perangkat lainnya yang memiliki spesifikasi untuk komputasi yang rendah. Oleh karena itu, Sheng Chen dkk dalam makalah ilmiah ini merancang suatu jaringan saraf tiruan yang diberi nama MobileFaceNets untuk mengatasi masalah tersebut.
MobileFaceNets merupakan sebuah jaringan saraf tiruan dengan metoda deep learning yang sangat ringan namun efisien sehingga dapat digunakan pada perangkat seluler, perangkat tertanam (embedded devices), atau perangkat lainnya yang memiliki spesifikasi untuk komputasi yang rendah. Model AI dari MobileFaceNets hanya membutuhkan ukuran memori penyimpanan sebesar 4MB untuk mampu menghasilkan akurasi lebih besar dari 90% pada berbagai dataset. Pada uji coba di perangkat seluler dengan CPU Qualcomm Snapdragon 820, MobileFaceNets mampu menganali wajah pada suatu gambar dengan waktu hanya 0,018 detik — sekitar dua kali lebih cepat dari MobileNetV2 yang merupakan basis arsitektur nya.
Papers
Deep Tree Learning for Zero-Shot Face-Antispoofing
Dipilih oleh: Indra Nugraha
Dibuat oleh: Yaojie Liu, Joel Stehouwer, Amin Jourabloo, Xiaoming Liu
Sumber:
http://openaccess.thecvf.com/content_CVPR_2019/papers/Liu_Deep_Tree_Learning_for_Zero-Shot_Face_Anti-Spoofing_CVPR_2019_paper.pdf
Metode Face anti-spoofing dirancang untuk mencegah terdeteksinya wajah palsu sebagai wajah asli pengguna dalam sistem face recognition. Wajah palsu yang dimaksud seperti menggunakan foto wajah, video wajah, ataupun objek lainnya yang bisa digunakan untuk mengelabuhi sistem pengenalan wajah.
Pada makalah ilmiah ini, penulis mengenalkan sebuah istilah untuk mendeteksi suatu serangan wajah palsu (spoof attack) yang belum dikenali sebelumnya oleh suatu sistem pendeteksi wajah, yaitu Zero-Shot Face Anti-spoofing (ZSFA). Pada penelitian ZSFA sebelumnya hanya memiliki 1–2 tipe untuk spoof attack, seperti penggunaan wajah palsu hasil cetakan pada kertas (print attack) atau sebuah wajah palsu yang ditampilkan dengan memainkan ulang video pada suatu perngkat (video replay attack) yang tentunya memiliki keterbatasan dalam kasus pendeteksian wajah palsu. Pada makalah Ilmiah ini ini, penulis menyelidiki masalah pada ZSFA terhadap 13 tipe spoof attack termasuk penggunaan print, video replay, 3D masks attacks dan lainnya.
Penulis mengenalkan sebuah metode baru yaitu Deep Tree Network (DTN), metode tersebut dibuat untuk membagi sampel wajah palsu menjadi sub-kelompok semantik dengan cara yang tidak diawasi secara langsung. Ketika sampel data diterima — di antara menjadi tipe serangan yang telah diketahui atau belum diketahui — DTN mengarahkannya ke kluster tipe spoof attack yang paling mendekati data tersebut dan menghasilkan binary decision.
Paper ini mengenalkan 3 kontribusi baru, yaitu:
- Melakukan pembelajaran yang mendalam seputar zero-shot untuk face spoofing dengan 13 metode spoof-attack.
- Mengenalkan sebuah metode bernama Deep Tree Network (DTN) yang bertujuan untuk belajar dari fitur-fitur data secara hirarki dan dapat mengenali spoof-attack yang belum dikenali.
- Mengumpulkan dataset baru untuk metode Zero Shot Face Anti-Spoofing dan menjadi metoda terbaik saat ini (state-of-the-art) dalam hal performa di banyak jenis percobaan.
A Compact Embedding for Facial Expression Similarity
Dipilih oleh: Igi Ardiyanto
Dibuat oleh: Raviteja Vemulapalli, Aseem Agarwala
Sumber:
http://openaccess.thecvf.com/content_CVPR_2019/papers/Vemulapalli_A_Compact_Embedding_for_Facial_Expression_Similarity_CVPR_2019_paper.pdf
Automatic Facial Expression Recognition mendapat perhatian dari komunitas penglihatan komputer (computer vision) dan memiliki berbagai aplikasi seperti prediksi emosi, pengambilan ekspresi, pemilihan potret candid, dan lain-lain. Namun, ekspresi wajah memiliki banyak variasi. Misalnya, senyuman memiliki banyak variasi: senyum pemalu, senyum gugup, hingga tawa. Juga, tidak setiap ekspresi wajah yang dikenali manusia memiliki nama.
Dalam paper ini, penulis memperkenalkan sebuah dataset baru, Facial Expression Comparison (FEC), yang terdiri dari sekitar 500 ribu ekspresi kembar tiga yang dihasilkan menggunakan gambar wajah sebanyak 156 ribu, bersama dengan anotasi yang menentukan dua ekspresi di masing-masing triplet yang paling mirip satu sama lain. Dataset ini bisa diunduh dari https://research.google/tools/dataset/google-facial-expression/.
Penulis menunjukkan bahwa expression embedding sebanyak 16 dimensi dapat digunakan untuk melatih deep learning dengan menggunakan triplet los, dan mampu memprediksi ekspresi wajah dengan akurasi sebesar 81.8% pada dataset FEC.
News
Face Recognition Is Not An Enemy
Dipilih oleh: Indra Nugraha
Sumber Berita: https://www.nydailynews.com/opinion/ny-oped-face-recognition-is-not-the-enemy-20200126-pjz4z367bvgfhaws465je5o52m-story.html
Sistem pengenal wajah (Face Recognition) adalah teknologi yang mampu untuk mengenali atau mengindentifikasi seseorang dari sebuah gambar atau sebuah video. Umumnya sistem ini digunakan oleh lembaga kepolisian untuk membantu mereka dalam menjalankan tugas pengamanan sebuah daerah.
Tetapi, untuk sekarang ini banyak sekali penyalahgunaan dari sistem Face Recognition, hal ini tentunya membuat resah masyarakat secara umum. Keresahan mereka umumnya disebabkan oleh privasi mereka yang telah dilanggar, seperti ketakutan akan percakapan rahasia mereka direkam dan diketahui siapa mereka.
Banyak juga yang belum sadar bahwa pengguna juga yang berpengaruh terhadap privasi yang mereka bagikan di sosial media. Seperti tidak ada pemikiran lebih lanjut ketika memposting sesuatu konten di sosial media dan akan akibat yang ditimbulkannya. Penulis menekankan pentingnya mawas diri dari pengguna terlebih dahulu yang harus ditingkatkan sebelum menyerang penyalahgunaan Face Recognition pada lembaga berwajib.
Selain pentingnya mawas diri, kita tidak bisa lepas juga atas peran sistem Face Recognition dalam membantu kepolisian dalam menangkap penjahat. Untuk contoh nyata nya seperti NYPD menggunakan sistem Face Recognition untuk membantu pekerjaan mereka dalam menangkap penjahat.
Catatan intinya adalah kepolisian harus menggunakan sistem Face Recognition terhadap orang yang telah mereka tetapkan tersangka, bukan untuk memata-matai masyarakat secara umum tanpa tujuan yang tidak jelas. Transparansi menjadi inti disini, dimana harus ada peraturan yang jelas tentang penggunaan sistem Face Recognition secara umum dan bagaimana sistem tersebut bekerja sehingga dapat menimbulkan rasa aman kepada masyarakat.
Facial Recognition: Top 7 Trends (tech, vendors, markets, use cases and latest news)
Dipilih oleh: Igi Ardiyanto
Sumber berita: https://www.gemalto.com/govt/biometrics/facial-recognition
Pengenalan wajah (Face Recognition) adalah proses mengidentifikasi atau memverifikasi identitas seseorang menggunakan wajah mereka. Proses tersebut terdiri dari mendeteksi, menganalisis, dan membandingkan pola berdasarkan detail wajah orang tersebut.
- Proses deteksi wajah: mendeteksi dan menentukan lokasi wajah manusia di dalam gambar dan video.
- Proses pengambilan wajah: mengubah informasi analog (wajah) menjadi satu set informasi digital (data) berdasarkan fitur wajah seseorang.
- Proses pencocokan wajah: memverifikasi apakah dua wajah milik orang yang sama.
Saat ini Face Recognition dianggap sebagai salah satu teknik yang paling alami dari semua jenis pengukuran biometrik. Biometrik wajah terus menjadi tolok ukur biometrik yang disukai, karena mudah digunakan dan diterapkan. Tidak ada interaksi fisik yang diperlukan oleh pengguna. Selain itu, proses deteksi wajah dan pencocokan wajah untuk verifikasi/identifikasi dapat dilakukan dengan sangat cepat. Pada artikel ini, Anda akan diarahkan untuk menelisik 7 hal tentang Face Recognition yang akan menjadi tren di tahun 2020, antara lain:
- Top technologies and providers
- AI impact — Getting better all the time
- 2019–2024 markets and dominant use-cases
- Face recognition in China, India, United States, EU, UK, Brazil, and Russia
- Privacy vs. Security: laissez-faire, regulate, or ban?
- Latest hacks: can facial recognition be fooled?
- Moving forward: towards hybridized solutions.
Tutorials
Real Time Face Liveness Detection with Python, Keras and OpenCV
Dipilih oleh: Zakhayu Rian
Sumber:
https://school.geekwall.in/p/b816a3Pl/real-time-face-liveness-detection-with-python-keras-and-opencv
Sistem pengenal wajah (Face recognition) sudah banyak diterapkan pada berbagai platform contohnya adalah Face Unlock pada ponsel pintar. Pemilik ponsel pintar dapat mengaksesnya jika kamera wajah sudah berhasil mengenal wajah pemiliknya. Namun teknik seperti ini tidak dapat menjamin keamanan terhadap serangan wajah palsu (Face Spoof Attack), di mana pengguna lain, yang ingin mengakses ponsel pintar menggunakan foto yang berisi wajah pengguna asli. Maka dari itu terdapat berbagai teknik untuk menangani masalah ini seperti menggunakan perangkat keras khusus , contohnya kamera 3D, atau perangkat lunak khusus contohnya menggunakan teknik pada Real Time Face Liveness Detection dengan menggunakan deteksi berbasis kedipan mata.
Pada Real Time Face Liveness Detection terdapat beberapa teknik seperti analisa tekstur, analisa frekuensi, deteksi kedipan mata, dan lain-lain. Pada artikel ini akan membahas salah satu tekniknya yaitu deteksi berbasis kedipan mata. Teknik ini, dapat menjadi salah satu cara untuk melawan Face Spoof Attack, karena manusia dalam 1 menit dapat berkedip sebanyak 15–30 kali. Teknik ini bekerja dengan cara mendeteksi wajah dahulu, lalu mendeteksi kedua mata. Jika mata terdeteksi berkedip, maka program menyimpulkan kalau wajah tersebut adalah orang asli , bukan gambar atau foto.
Teknik deteksi berbasis kedipan mata memang dapat diterapkan untuk mencegah Face Spoof Attack. Namun, teknik ini jika dikombinasikan dengan berbagai teknik pada Real Time Face Liveness Detection, maka akan memperkuat keamanan pada sebuah platform dan perangkat yang memiliki peran Anti Spoofing.
Face Clustering with Python
Dipilih oleh: Reynaldy Hardiyanto
Sumber:
https://www.pyimagesearch.com/2018/07/09/face-clustering-with-python/
Mengenang dua tahun setelah terjadinya aksi teror bom bunuh diri pada Starbucks Menara Cakrawala dan bom molotov di Pos Polisi Sarinah. Pada saat itu pelaku bersembunyi dibalik kerumunan orang, sehingga pelaku sulit untuk dilacak. Dalam kasus seperti ini, polisi dapat menandai beberapa orang yang mencurigakan, untuk ditelusuri lebih lanjut, namun akan sulit untuk menelusuri beberapa orang sekaligus. Maka dari itu dibutuhkan alat bantu yang dapat melacak beberapa orang sekaligus —dengan catatan polisi belum memiliki informasi bahwa orang itu siapa.
Pengelompokan wajah atau yang lebih populer dengan nama face clustering dapat menjadi salah satu solusi dalam kasus seperti ini, dikarenakan face clustering dapat bekerja tanpa perlu adanya informasi mengenai orang tersebut. Berbeda dengan face recognition yang perlu memiliki informasi tentang orang tersebut, yang biasanya disebut supervised learning. Adapun, metode ini dapat bekerja dengan cara mendeteksi wajah, lalu mengekstraksi ciri ciri unik dari setiap wajah tersebut, atau yang biasanya disebut ‘facial feature vector’, kemudian dari ciri-ciri unik tersebut dikelompokan menjadi beberapa unique ID.
Kelompok-kelompok dengan unique ID dapat dimanfaatkan sebagai alat pelacakan, bahkan polisi dapat memanfaatkan basis data kependudukan dari Dukcapil dengan cara mencocokannya dengan setiap unique ID. Harapannya dapat membantu mengeliminasi calon pelaku dan dapat mempercepat proses penangkapan, sehingga dapat meminimalisir jumlah korban.
Miscellaneous AI
Chinese Authorities Pair Facial Recognition, Thermal Imaging to Contain Coronavirus
Dipilih oleh: John Patrick Manuwu
Sumber berita: https://www.aljazeera.com/programmes/newsfeed/2020/02/coronavirus-china-facial-recognition-infrared-scanners-200224092119453.html
Sebagai sebuah negara yang mengalami dampak terparah akibat Coronavirus (COVID-19), China berusaha memanfaatkan sumber daya teknologi mereka untuk dapat memitigasi bencana tersebut — termasuk lewat teknologi AI. ZhengZhou adalah kota pertama di China yang berusaha melawan penyebaran coronavirus dengan mengombinasikan teknologi seperti Face Recognition dan thermal imaging di beberapa titik transportasi seperti di stasiun kereta bawah tanah.
Selain untuk mencegah persebaran coronavirus, pihak otoritas dari beberapa kota di China juga telah aktif memanfaatkan AI untuk meningkatkan keamanan serta kenyamanan warga kota. Walau begitu, pro-kontra terkait kebijakan ini masih terus berdatangan, baik dari dalam maupun luar negeri. Dengan adanya regulasi yang tepat terhadap pemanfaatan data, seharusnya keraguan akan penerapan AI dapat segera dieliminasi.
Uber in Birmingham to launch face recognition checks for drivers
Dipilih oleh: John Patrick Manuwu
Sumber berita: https://www.birminghammail.co.uk/news/midlands-news/uber-birmingham-launch-face-recognition-17775710
Perusahaan ride-hauling Uber di Birmingham kini sedang menyosialisasikan penggunaan teknologi Face Recognition terbaru untuk driver dan tombol panik untuk penumpang. Kedua upaya ini adalah bagian dari peningkatan kualitas keamanan dan kenyamanan, baik penumpang maupun pengemudi. Face Recognition akan digunakan untuk mengenali pengemudi sebelum mereka dapat memulai trip mereka. Ini dilakukan untuk menghindari adanya penyalahgunaan akun pengemudi oleh oknum yang tidak bertanggung jawab.
Versi baru dari aplikasi ini akan menunjukkan nama pengemudi Uber, foto diri mereka, merek dan jenis kendaraan, plat nomor kendaraan, dan nomor lisensi pengemudi. Penumpang dapat melaporkan langsung kepada pihak Uber apabila mereka mendapati bahwa terdapat ketidaksesuaian antara data yang mereka dapat lewat aplikasi dengan apa yang mereka dapati ketika mereka sedang memesan sebuah trip.
Interesting Tweet
A Burglar has been Captured by Using Face Recognition!
Dipilih oleh: Iman Rahmansyah Tayibnapis
https://twitter.com/DCPSEastDelhi/status/1228955420783304704
Teknologi sistem pengenalan wajah (face recognition) mampu membantu proses penanggulangan kejahatan. Salah satu buktinya adalah di Delhi, India, yg memanfaatkan teknologi face recognition pada CCTV yang digunakan pada kota tersebut untuk menangkap pencuri serta berhasil pula mengamankan barang-barang yang dicurinya
Demikianlah ulasan singkat kami tentang apa saja yang terjadi di industri AI selama setahun belakangan. Simak terus informasi terbaru seputar industri AI dan ekosistemnya di rubrik Monthly AI Digest edisi Maret 2020. Sampai jumpa!
