Les récents progrès des modèles de reconnaissance faciale ont été rendus possibles grâce à la disponibilité de vastes ensembles de données et à l’utilisation de modèles d’apprentissage profond. Cependant, la collecte à grande échelle de données via Internet soulève des préoccupations juridiques, éthiques et liées à la vie privée. C’est pourquoi des méthodes alternatives, telles que la génération de jeux de données faciales synthétiques et l’utilisation d’images artificielles pour entraîner des modèles de reconnaissance faciale, commencent à être envisagées. Néanmoins, la création de datasets synthétiques suffisamment variés reste un domaine de recherche actif.
Cette démarche a été explorée lors de la Winter Conference on Applications of Computer Vision (WACV) à travers l’organisation du Face Recognition Challenge in the Era of Synthetic Data (FRCSyn). Il s’agit du premier concours international visant à explorer l’usage de données synthétiques dans la reconnaissance faciale afin de pallier certaines limites technologiques. Plus précisément, le FRCSyn s’attaque à des problématiques liées au respect de la vie privée, aux biais démographiques et aux limites de performance dans des scénarios complexes (écarts d’âge importants, variations de pose ou occlusions). Les résultats obtenus dans ce cadre contribuent de manière significative à l’utilisation de données synthétiques pour améliorer la technologie de reconnaissance faciale. Les participants ont développé et appliqué des stratégies intelligentes basées sur l’utilisation de datasets synthétiques pour entraîner leurs modèles. Tous les modèles soumis ont été évalués à l’aide de jeux de référence et classés selon leurs performances.
Le potentiel des données synthétiques dans la vérification d’identité : les résultats de Facephi
Facephi a participé au FRCSyn pour évaluer si les données synthétiques pouvaient remplacer les données réelles dans l’entraînement des modèles de reconnaissance faciale, si elles pouvaient atténuer les limites connues de la biométrie faciale ainsi que les défis éthiques et juridiques liés à la collecte massive de données. Pour ce faire, nous recourons aux architectures de réseaux neuronaux à l’état de l’art et à diverses techniques d’augmentation de données.
Nos résultats ont confirmé cette approche, en nous démarquant des autres participants et en démontrant des performances remarquables dans la première tâche de qualité portant sur le jeu de données synthétiques. Lors de l’évaluation des capacités à réduire les biais et à s’adapter à différents ensembles de données, nous avons réussi, grâce à l’entraînement de systèmes de reconnaissance faciale avec des données synthétiques, à figurer parmi les meilleurs dans la réduction de ces biais. De plus, dans la seconde tâche du concours, où nous pouvions librement choisir le modèle, le dataset et la méthode d’entraînement, nous avons également atteint des résultats compétitifs, prouvant ainsi la polyvalence et l’efficacité de notre approche dans divers scénarios.
Le jury et les experts ont salué l’originalité et la qualité des méthodes employées, reconnaissant notre approche innovante ainsi que notre contribution significative à l’avancée de la recherche dans la génération de datasets synthétiques pour la reconnaissance faciale.