חומר רקע

בלמ"ס חוות דעת בנושא תכולת המאגר הביומטרי בהתאם לסעיף2 (ב) להוראת השעה לחוק הכללת אמצעי זיהוי ביומטריים ונתוני זיהוי ביומטריים במסמכי זיהוי ומאגר מידע התש"ע– 2009 הממונה על היישומים הביומטריים מערך הסייבר ה לאומי משרד ראש הממשלה 15 נובמבר2018 ז' כסלו תשע"ט בלמ"ס - 2 - 15 נובמבר2018 ז' כסלו תשע"ט :סימוכין0778 אל: מר יגאל אונא, ראש מערך הסייבר הלאומי :הנדון חוות דעת בנושא תכולת המאגר הביומטרי בהתאם לסעיף2 (ב) להוראת השעה לחוק הכללת אמצעי זיהוי ביומטריים ונתוני זיהוי ביומטריים במסמכי זיהוי ומאגר מידע התש"ע– 2009 1. הוראת סעיף2 ,(ב) שבנדון קובעת כי ראש מערך הסייבר הלאומי יבדוק האם קיימים אמצעים טכנולוגיים שיש בה ם כדי לתת מענה במידה נאותה, לזיהוי ואימ ות זהות של תושב לצורך קבלת תוצא ת זיהוי לפי סעיף14 ל"חוק הכללת אמצעי זיהוי" על בסיס מאגר של תמונות פנים בלבד, ויגיש את חוות .דעתו לשר הפנים 2. קרי, השאלה המוצבת לפתחו של ראש מערך הסייבר הלאומי נוגעת ל יכולת ההסתמכות על טכנולוגיית זיהוי פנים לשם מתן מענה נאות למימוש המטרה העיקרית של החוק - הנפקת מסמכי זיהוי לתושבי ישראל (סעיף14 ). 3. על פי הוראה2 ()(ב2 ), טרם מתן חוות דעתו ישמע ראש המערך את עמדתם של ראש הרשות לניהול המאגר הביומטרי והממונה על היישומים הביומטריים. להלן תפורט חוות דעתו של הח"מ בנושא .האמור 4. מחוות דעתי המצורפת עולה כי קיימים אמצעים טכנולוגיים הנותנים מענה נאות לניהול מאגר ביומטרי המבוסס תמונות פנים, לצורך הנפקת תיעוד לאומי אמין לתקופה של10 .שנים 5. בעשור האחרון,, מאז גיבוש תפיסת ההפעלה לפרויקט התיעוד הלאומי חלה "קפ "יצת מדרגה משמעותית ביכולות טכנולוגיה לזיהוי פנים , כאשר שיעור הדיוק של אלגוריתמים לזיהוי פנים קפץ פי 24 בין השנים2010-2018 . 6. טכנולוגיה עדכנית לזיהוי פנים מאפשרת הגעה לשיעורי איתור "הרכשות כפולות" גבוהים, גם בהינתן ( תופעת ההזדקנותAging ). ניתן להגיע לשיעור דיוק של95% באיתור הרכשות כפולות בפער זמנים של 8-10 שנים , על בסיס ביומטריית פנים, בהינתן ביצוע התאמות, רכש ושינוי בתהליכי עבודה במאגר .הביומטרי בלמ"ס - 3 - 7. באם יוחלט כי "מענה נאות" אפשרי הוא שיעור הצלחה של90% - 93% באיתור הרכשות כפולות במאגר הביומטרי בפער זמנים של8-10 שנים , יהיה צורך ברכש אלגוריתמיקה מובילה יחד עם שינויים מסוימים בתהליכי עבודה. 8. לראשונה בוצעה בדיקה של היקף "ההרכשות הכפולות" בפרוי קט, למעלה מ5 שנים מהפעלתו, ולאחר הרכשת למעלה מ-3 מיליון תושבים למאגר הביומטרי. מבדיקה זו עולה כי המשמעות של שינוי שיעור האיתור של הרכשות כפולות מ- 95%ל- 90-93% , במספרים מוחלטים, הוא מספר מתחזים בודדים שלא יאותרו. מדובר בפער נמוך מאד בקנה מידה לאומי . על כן, תוצאות אלה מהוות "מענה נאות" המספק לצורך מימוש המטרה העיקרית של החוק- .הנפקת תיעוד אמין לתושבי ישראל 9. בעת גיבוש עמדה זו ,ביחס ל"מענה הנאות" עבור מדינת ישראל נלקחו בחשבון הסיכונים הטמונים בניהול מאגר ביומטרי לאומי הכולל גם טביעות אצבע (לרבות סיכוני ם ל פגיעה ב פרטיות), למול התועלת שבשיפור הדיוק. 10 . ,לאור האמור לעיל עם השלמת היערכות על ידי הרשות לניהול המאגר הביומטרי, ניתן יהיה לבטל את הוראת השעה ולקיים מאגר ביומטרי מבוסס תמונות פנים בלבד; ובכל מקרה, אין הצדקה להארכה של הוראת השעה מעבר ל- 5 שנים. 11 . במקביל, יש להמשיך לבחון את התפתחות טכנולוגיית זיהוי הפנים, ולעקוב אחר היקף ההרכשות .הכפולות ,בברכה רועי פרידמן הממונה על היישומים הביומטריים מערך הסייבר הלאומי בלמ"ס - 4 - בלמ"ס - 5 - חוות דעת בנושא תכולת המאגר הביומטרי בהתאם לסעיף2 (ב) להוראת השעה לחוק הכללת אמצעי זיהוי ביומטריים ונתוני זיהוי ביומטריים במסמכי זיהוי ומאגר מידע התש"ע– 2009 1. רקע ומבוא 1.1 . חוק הכללת אמצעי זיהוי ביומטריים ונתוני זיהוי ביומטריים במסמכי זיהוי ובמאגר מידע התש"ע 2009 (להלן: "החוק") קובע את ההסדרים שמטרתם יצירת תיעוד אמין וקשה לזיוף (תעודות זהות ,ומסמכי נסיעה) עבור תושבי ישראל. בהתאם לחוק זה מנהל משרד הפנים (רשות האוכלוסין ההגירה ומעברי הגבול- להלן "רשות האוכלוסין", והרשות לניהול המאגר הביומטרי- להלן ."הרשות הביומטרית") את פרויקט התיעוד הלאומי החכם 1.2 . ,"החוק קובע מספר מנגנוני בקרה ופיקוח, כאשר אחד מהם הוא "ממונה על יישומים ביומטריים אותו ממנה ראש הממשלה מבין עובדי משרדו (להלן: "הממ ונה"). סעיף30 לחוק קובע כי תפקידיו של הממונה הם להמליץ על המדיניות הנוגעת ליישומים הביומטריים בפרויקט זה ועל היבטים מסוימים הנוגעים לאבטחת מידע, " וכן ,לפקח על יישום הוראות חוק זה והתקנות, הכללים הנחיות הרשות ונוהלי הרשות אשר נקבעו מכוחו וכן על פעולות ראש הרשות לניהול המאגר הביומטרי לפי חוק זה" 1. הליך הפיקוח ליישומה של החקיקה לפיה נבנה הפרויקט, החל עוד בטרם הפך הפרויקט מבצעי, במחצית שנת2013 . 1.3 . מתווה הפרויקט שנקבע בחוק קובע כי התיעוד עצמו יכלול אמצעים ביומטריים, שתי טביעות אצבע מורות ותמונת פנים, וכן מאגר ביומטרי מרכזי בהם נשמרים אמצעים אלה (כפי שיפורט .)להלן 1.4 . מטרתו של המאגר הביומטרי היא למנוע "הרכשות כפולות", כלומר, מצב בו יונפקו לאדם מספר תעודו ת אותנטיות בזהויות ש ו נות, על ידי המדינה, עקב התחזות שלו והונאת פקידי רשות .האוכלוסין 1.5 . על רקע חקיקת החוק התעורר דיון ,ציבורי ביחס לשילובו של המאגר הביומטרי במתווה הפרויקט .כאשר עלו טענות כנגד נחיצותו ולגבי סיכונים הטמונים בקיומו 1.6 . ,לפיכך, קבע המחוקק תקופת מבחן אשר נועדה להכריע בעיקר בשאלת נחיצותו של המאגר הביומטרי והמידע שיש לשמור בו. עצם המעבר לתיעוד חכם וביומטרי (כלומר שמירת מידע .ביומטרי בתיעוד עצמו), לא היה ואינו נתון בסימן שאלה 1.7 . תקופת המבחן, אשר התנהלה על פי צו מכוחו של החוק2 (להלן: "הצו"), נמשכה4 שנים3 (הצו פקע עם סיומה של תקופת המבחן). במהלך תקופה זו, ולצד הליך הפיקוח שניהל הממונה, פעלה וועדה מייעצת המפקחת על התנהלות תקופת המבחן ועל בחינת תוצאותיה (להלן: "הוועדה"), אשר 1 סעיף30 לחוק קובע את תפקידיו וסמכויותיו של הממונה על היישומים הביומטריים. מנגנוני בקרה אחרים הם וועדת שרים ליישומים .ביומטריים ושתי וועדות כנסת סטטוטוריות כמו כן, הרשויות המנהלות פרויקט זה מונחות על ידי מערך הסייבר הלאומי בהיבטי אבטחת המידע בהתאם לחוק להסדרת הביטחון בגופים ציבוריים תשנ"ח- 1998 . 2 צו הכללת אמצעי זיהוי ביומטריים ונתוני זיהוי ביומטריים במסמכי זיהוי ובמאגר מידע (תקופת מבחן) התשע"א2011 3 שרי הפנים האריכו את תקופת המבחן מספר פעמים עד למיצוי פרק הזמן האפשרי לכך, בהתאם למנגנון הקבוע בחוק בלמ"ס - 6 - מונתה על ידי שר הפנים, על פי סעיף10 .ד לצו. הממונה דאז, מר רם ולצר, עמד בראש הוועדה הוועדה קיימה הליך .מתמשך של למידת הפרויקט ושל הנושאים שנבחנו בתקופת המבחן במאי 2015 , הגישה לשר הפנים דו"ח מסכם, בו כללה את המלצתה ביחס לתוצאות תקופת המבחן4. 1.8 . ,דו"ח הוועדה קבע כי קיימים נימוקים המבססים את נחיצות המאגר הביומטרי והמליצה על חלופת הפנים, ,כלומר שה מאגר יכיל תמונות פנים בלבד, ללא טביעות אצבע. ביחס לתכולת המאגר, נשענה הוועדה על7 :נימוקים עיקריים ● .מגמת השיפור הברורה בתחום טכנולוגיית זיהוי הפנים ● היכולת לעמוד ב"מדד להצלחה" למניעת95% מההרכשות הכפולות שנקבע עבור תקופת המבחן בצו. בהקשר זה ציינה הוועדה ,כי עם תום תקופת המבחן, ולאור הניסיון שקיים בחו"ל יש לשקול קביעת יעד שונה, אשר יספק מחד את צרכי הביטחון ואמינות התיעוד ומאידך יביא .לצמצום סיכונים אחרים ● העובדה שקיימות מדינות מערביות המתבססות על זיהוי פנים במאגרים לאומיים להנפקת .תיעוד ● השימוש הגובר בטביעות אצבע ביישומים אזרחיים ומסחריים, כך שהמאגר הלאומי שיכיל טביעות אצבע מהווה גם "מאגר סיסמאות", אף שמימוש הסיכון עליו הצביעה הוועדה אינו .טריוויאלי ● העלייה בהיקף השימוש בתמונות פנים במרחב הציבורי, כך שלמעשה מידע זה גלוי ואין .באיסופו שינוי משמעותי ביחס לציבור ● תמונת הפנים היא הביומטריה האפקטיבית והעוגן המרכזי בהתמודדות עם עבריינים5. ● שיקולי הגנת הפרטיות 1.9 . הדרג המקצועי במשרד הפנים חלק על עמדתה של הוועדה ביחס לתכולת המאגר. בדו"חות המסכמים של רשות האוכלוסין והרשות הביומטרית ,לתקופת המבחן וכן בחוות דעתם שהוצגה לשר הפנ ים, נטען כי טכנולוגיית זיהוי הפנים אינה מספקת עבור מאגר ביומטרי בסדר הגודל הישראלי, כאשר התיעוד מונפק בכל10 שנים. טענתם המרכזית הייתה, כי חולשתה העיקרית של " ,"טכנולוגיית זיהוי הפנים היא "בעיית ההזדקנותaging ", כך שבפערי זמנים אלה, רמת השגיאות תעלה ולא יהי ה ניתן להגיע להצלחה של95% ,במניעת התחזויות, כפי שדרש בזמנו הצו אלא לפרק זמן של5 שנים בלבד. כלומר, עמדתו של משרד הפנים היא, שטכנולוגיית זיהוי הפנים .לבדה אינה מספקת וכי מספר רב יותר של מתחזים לא יתגלה באם המאגר לא יכיל טביעות אצבע 1.10 . ,נוכח המחלוקת המקצועית קידם שר הפנים תיקון חקיקה אשר קבע כי הפרויקט יכלול מאגר ביומטרי, וכי הכללת תמונות הפנים במאגר היא חובה כהוראת קבע6 . כמו כן, התווספה הוראת שעה )(לתקופה של חמש שנים לפיה תושב יוכל לבחור האם גם טביעות אצבעותיו ישמרו בו, כאשר באם לא נותן התושב את הסכמתו להכללת טביעות אצבעותיו במאגר, הרי שתוקף התיעוד 4 https://www.gov.il/BlobFolder/news/boi_commitee1/he/%D7%93%D7%95%D7%97%20%D7%95%D7%A2%D7%93%D7%9 4%20%D7%9E%D7%99%D7%99%D7%A2%D7%A6%D7%AA.pdf 5 בהקשר זה חשו ב לציין כי למיטב הכרותינו, לא קיימים בעולם מאגרים לאומיים שמטרתם לגבות הנפקת תיעוד לאומי הנשענים על טביעות .אצבע בלבד (או ביומטריה יחידה אחרת), תמונת הפנים היא המידע הביומטרי הבסיסי אשר תמיד נכלל במאגרים אלה 6 ללא שינוי ביחס לתיעוד, אשר מוסיף לכלול הן טביע.ות אצבע והן תמונת פנים של בעליו בלמ"ס - 7 - המונפק לו עומד על5 שנים בלבד, ובאם ניתנת הסכמתו - תוקף התיעוד עומד על10 שנים7 . עם תיקון החוק, פסקה מדינת ישראל מלהנפיק את "התיעוד הישן" וכיום היא מנפיקה תיעוד ביומטרי בלבד לתושבי ישראל8. 1.11 . עם סיום תקופת המבחן, פקע ה צו ובחוק המתוקן לא נקבעו מדדים לפרויקט, לרבות מדד .להצלחה במניעת התחזויות 1.12 . הוראת ה שעה תקפה החל מיוני2017, כאשר עד כה כ- 89% מתושבי ישראל שהגיעו ללשכות רשות האוכלוסין בשנה האחרונה, בחרו לתת הסכמתם לשמירת של טביעות אצבעותיהם במאגר .הביומטרי 1.13 . ,כיום המאגר מכיל את המידע הביומטרי של למעלה מ-3 מיליון תושבי מדינת ישראל ועל פי קצב הנפקת התיעוד הקיים היום9 , הצפי הוא, שעד שנת2022, יחזיקו תושבי ישראל,, רובם ככולם .בתיעוד ביומטרי 1.14 . כעולה מהאמור לעיל, תיקון החוק מ- 2017 הכריע למעשה כי המאגר הישראלי יכלול תמונות פנים בלבד כדרך קבע, אך מ צא לנכון לדחות את יישום הכרעה זו באמצעות הוראת שעה ל-5 ,שנים במהלכן ייבדקו האפשרויות הטכנולוגיות למימושה10 . סעיף2 :.ב.להוראת שעה בחוק ()"(ב1) ב- 18 החודשים הראשונים לתקופת הוראת השעה, יבדוק ראש מערך הסייבר הלאומי אם קיימים אמצעים טכנולוגיים שיש בהם כדי לתת מענה במידה נאותה , לזיהוי ואימות זהות של תושב, לצורך קבלת תוצאת זיהוי לפי סעיף14 לחוק העיקרי, על בסיס מאגר של תמונות פנים בלבד, ויגיש את חוות דעתו בעניין לשר הפנים בתוך התקופה ...;האמורה ()(ב2 ( ) טרם מתן חוות דעתו לפי פסקה1 ) ישמע ראש מערך הסייבר הלאומי את עמדתם של ראש הרשות לניהול המאגר הביומטרי והממונה על יישומים ביומטריים כהגדרתו בחוק ."המקורי 1.15 . למעשה, השאלות שהונחו לפתחו של ראש מערך הסייבר, הן שתיים: א. ?מה מידת הדיוק של האמצעים הטכנולוגיים הקיימים היום בתחום זיהוי הפנים ב. האם יהיה באמצעים אלה כדי לתת "מענה במידה נאותה", שיאפשר להתבסס על מאגר תמונות פנים בלבד, לשם הנפקת תיעוד לאומי ל- 10 ?שנים 7 כאשר תושב לא נותן הסכמתו לשמירת טביעות האצבע במאגר, תמונותיהן ניטלות ממנו לצורך שמירתן בשבב התיעוד ואז נשלחות למאגר .הביומטרי להשוואה ונמחקות מיד לאחר ביצועה של השוואה זו 8 .למעט מקרים חריגים, כגון תעודת מסע זמנית ובחו"ל 9 בכל יום מקבלות לשכות רשות האוכלוסין כ- 8000 בקשות להנפקת תיעוד והמידע הביומטרי של תושבים אלה מועבר למאגר הביומטרי .לבדיקה, בהתאם לחוק 10 יש להבהיר כי קיימת עתירה תלויה ועומדת בבג"צ2780/17, אשר טרם נדונה והוכרעה, בה דרשו העותרים שורה של סעדים, ובראשם ביט ול .המאגר הביומטרי בלמ"ס - 8 - 1.16 . :לצורך הכנת חוות דעת זו בוצעו הפעולות הבאות 1.16.1 . ,פניה ושיתוף פעולה הדוק עם המכון הלאומי האמריקאי לתקנים וטכנולוגיה11 NIST , בדבר בדיקות לזיהוי פנים הנערכות במסגרת12 2018 FRVT (מבדקי טכנולוגיית זיהוי פנים ליצרנים המרכזיים בעולם), והכללת בדיקת ""הזדקנותaging לגבי תקופה של10 .שנים 1.16.2 . פניה ל-8 מדינות מערביות מובילות העושות שימוש בזיהוי פנים לצורך הנפקת תיעוד לאומי, בבקשה לקבל נתונים על השפעת תופעת ההזדקנות בפרויקטים המנוהלים .על ידן פניות אלה הניבו תוצר חלקי, בין היתר עקב רגישות מידע זה והימנעותן של מדינות לחשוף .אותו 1.16.3 . פניה ל-8 יצרנים מובילים לטכנולוגיית זיהוי פנים בעולם ובקשה לקבלת מידע אודות יכולת האלגוריתמיקה המפותחת על ידם להתמודד עם בעיית ההזדקנות. פניות אלה לא הניבו תוצר משמעותי, שכן לא הייתה בידי היצרנים היכולת לבצע בדיקה מקיפה בסדרי הגודל .הנדרשים למתן מענה 1.16.4 . איסוף נתונים מרשות האוכלוסין והרשות לניהול המאגר הביומטרי המתייחסים לעצירת ."הנפקת תיעוד עקב חשד ל"הרכשות כפולות 1.17 . תוצרי פעולות1.16.1-1.16.3 הועברו למח ,צ"ב רפאל על ידי הממונה, ואלה נסקרו ונותחו על ידה במסגרת דו"ח מקיף המצורף כנספח1 לחוות דעת זו. בנוסף לכך, ביצעה מחצ"ב רפאל סקר מאמרים ופרסומים מובילים בעולם בתחום זיהוי הפנים, אשר נותחו במסגרת דו"ח זה , הסקר מצורף כנספח2. 11 / https://www.nist.gov - National Institute of Standards and Technology - NIST 12 - 1n - frvt - test - vendor - recognition - projects/face - https://www.nist.gov/programs - Face Recognition Vendor Test - FRVT evaluation - 2018 בלמ"ס - 9 - 2. ""מענה נאות 2.1 . הוראת השעה הטילה על ,ראש מערך הסייבר לבחון האם טכנולוגיית זיהוי פנים במאגר הביומטרי " תספק מענה נאות " לצורך "העברת תוצאת זיהוי לצורך הנפקת מסמך זיהוי" לפי סעיף14 .לחוק קרי, האם השענות על תמונות פנים בלבד במאגר הביומטרי נותנת מענה מספק למימוש המטרה המרכזית של החוק– הנפקת תיע וד אמין עבור תושבי ישראל לעשר שנים. 2.2 . בטרם נפנה לניתוח היכולות העדכניות של טכנולוגיית זיהוי הפנים היום, ומגמת השיפור המתמדת ."בתחום זה, יש לצקת תוכן במונח "מענה נאות 2.3 . מונח זה מתייחס למעשה להחלטת מדיניות של מדינת ישראל באשר לאיזון הראוי בין מספר גורמים, ביניה ,)"ם הצורך למנוע התחזויות וזיופים, ובפרט "הרכשות כפולות" (הצורך ה"בטחוני הצורך להימנע מהטרדת תושבים תמימים לחינם (הצורך ה"תפעולי"), ושקילת שיקולים חשובים נוספים ובראשם הגנת פרטיות תושבי ישראל וסיכוני פרטיות הטמונים בניהול המאגר הלאומי13 . 2.4 . צו שר הפנים לפיו נוהלה תקופת המבחן, קבע את שיעורי הדיוק של המערכת והציב כמדד להצלחה – מניעה של95% מ הניסיונות לביצוע "הרכשה כפולה". זהו יעד טכנולוגי אשר מכוון לרף בטחוני גבוה למדי, אשר לא מצאנו לגביו את פירוט שיקולי המדיניות והאיזונים בתורת ההפעלה של הפרויקט14 .או בנייר מטה אחר 2.5 . צו זה אינו .בתוקף כיום, כמו גם המדדים הנקובים בו, ויעד דומה לא נקבע בחקיקה הקיימת למעשה, יש מקום לבחון מחדש מהו המדד להצלחה העונה על צרכיה של מדינת ישראל ומאזן בין השיקולים השונים. או במילים אחרות– .מהו "המענה הנאות" הישראלי 2.6 . ,נתוני האמת של פרויקט התיעוד הלאומי החכם נכון להיום, לאחר הכללת מידע ביומטרי של למעלה מ-3 מיליון תושבים במאגר הביומטרי, מצביעים על עצירת הנפקה של תיעוד במקרים בודדים הנחשדים כ ניסיונות לביצוע "הרכשה כפולה", מתחילת הפרויקט ועד היום (למעלה מ-5 שנים). באם מקרים אלה (של עצירת הנפקה בשל חשד להרכשה כפול ה) מהווים כ95% מסך ,ניסיונות ההרכשה הכפולה, הרי שבמספר מוחלט5% של מקרי ההרכשה הכפולה שלא אותרו עד היום הוא נמוך ביותר, ואינו משמעותי בקנה מידה לאומי. נתונים מספריים אלה מפורטים ב נספח .מסווג, המצורף לחוות דעת זו 2.7 . באם קצב ניסיונות ההרכשה הכפולה לא ישתנה עד המועד בו כל תושבי ישראל יורכשו למאגר הביומטרי (צפוי להתרחש עד2022), הרי שגם אז כמות המתחזים שלא יאותרו( 5% ממקרי ההרכשה הכפולה) ., יעמוד על מספר נמוך ביותר 2.8 . קיימת סברה כי לקראת תום תהליך ההרכשה המלאה של כלל התושבים, קצב ניסיונות החדירה של המתחזים באמצעות "הרכשה כפולה" יגבר ו התחזויות אשר בוצעו בשנותיו הראשונות של הפרויקט, עשויות להתגלות. גם אם סברה זו תתממש, ואפילו יהיה החל מהיום גידול של פי10 בקצב הניסיונות ש ,ל "ההרכשות הכפולות" הרי שעדיין5% מהמתחזים שלא יאותרו מהווים .מספר נמוך ביותר בקנה מידה לאומי 13 .עשויים להיות שיקולים נוספים, כגון שיקולי תקציב, אילוצים לוגיסטיים ועוד 14 מסמך תורת ההפעלה של הפרויקט נכתב על ידי מטה הלוט"ר בשנים2007/8 .והוא ביסס את כתיבת החוק לפיו מתנהל הפרויקט בלמ"ס - 10 - 2.9 . לאור האמור לעיל, המשמעות של אי תפיסה של אחוז בודד או אחוזים מעטים של "הרכשות כפולות" שלא יאותרו, מכל סיבה שהיא, משק פת היקף של מתחזים.בודדים סקירה משווה 2.10 . נערכה פניה למדינות מערביות מובילות המנהלות פרויקטים לאומיים להנפקת תיעוד לתוקף של 10 שנים , על בסיס מאגר תמונות פנים בלבד , במטרה ללמוד מניסיונן וכן להבין מה מתבצע בפועל בתחום תפיסת ה"הרכשות הכפולות", ומכאן להבין מהו "מענה נאות" בעיני מדינות אלה בהתחשב במכלול.השיקולים הרלוונטיים 2.11 . מבין8 המדינות אליהן נערכה פניה רשמית (כולל שיחות והתכתבויות עם נציגיהן) , התקבל מידע ממשי לגבי פרויקט הנפקת הדרכונים משתי מדינות (ארה"ב וקנדה) ומידע חלקי ממדינה נוספת (אוסטרליה). הדבר נובע מרגישותו של מידע זה, שהוא בבסיסו מידע "בטחוני" אשר עשוי לחשוף חולשות וחוזקות של פרויקט ושיטות עבודה. נתונים אלה ו תיאור השיחות וההתכתבויות מ .פורטים בנספח מסווג המצורף לחוות דעת זו 2.12 . בהקשר זה חשוב לציין כי איננו מכירים מדינה מבין מדינות העולם המערבי (או בכלל) החושפת ,נתונים מפורטים על מדדי הביצוע/הצלחה של הפרויקטים הלאומיים הביומטריים שהיא מנהלת מקיימת "תקופת מבחן" או מגישה דו"חות לפרלמנט העוסק בנושאים אלה, באופן שיטתי. מדינת .ישראל היא חריגה בנוף לעניין זה 2.13 . ככלל, האתגרים העומדים בפני מדינות אלה, בהיבט סיכונים ביטחוניים וקשיים אחרים, כגון הגירה בלתי חוקית, טרור, פשע מאורגן, פשיעה כלכלית וכיו"ב אינם שונים מהותית מאלו .העומדים בפני מדינת ישראל 2.14 . ממכלו ל הנתונים שמדינות אלה הציגו, עולה כי הן מתמודדות עם אתגרים שאינם בנמצא בישראל מחד (כגון, מאגרים בסדרי גודל של עשרות עד מאות מיליונים של רשומות, הנפקת תיעוד ללא חובת התייצבות פיזית ומשלוח תמונות "פספורט" בדואר), אך עושות שימוש בכלים נוספים ,מאידך (כגון הכלל ת נתונים דמוגרפי ים במאגר15 וביצוע תהליך המשלב יכולת אלגוריתמית ובדיקה אנושית). מהנתונים המספריים שראינו, לא סביר שמדינות אלה מגיעות לשיעור עצירת הרכשות כפולות של95% ,שנקבע בצו, והן מסתפקות בשיעור נמוך יותר כמענה נאות לצרכיהן תוך בחינה ושיפור עיתי של היכולות הטכנולוגיות העומדות לרש .ותן 2.15 . בנוסף לכך, בשיחות שנערכו עם נציגי המדינות, לא עלה כי בכוונתן לפעול להוספת ביומטריה שניה .למאגרים התומכים בהנפקת התיעוד 15 .המאגר הביומטרי בישראל מכיל על פי חוק מידע ביומטרי בלבד בלמ"ס - 11 - ""מענה נאות- תובנות 2.16 . במהלך דיוני הכנסת בהם נדון החוק והפרויקט המנוהל על פיו, נטען כי קיימת תופעת זיוף רחבת היקף של התיעוד הלאומי הישן , המגיעה לכדי מאות אלפי תעודות מזויפות16 . הרשות לניהול המאגר הביומטרי פרסמה הערכה לפיה מעל לרבע מכל תעודות הזהות )(הישנות המונפקות בכל שנה, מונפקות לתושבים בטענו לגניבה או אובדן, מספר המסתכם בכ- 160,000 תעודות, אשר יש לשער כי בחלק גדול מהמקרים מדובר בנ יסיון הונאה וזיוף תיעוד17 . 2.17 . פרויקט התיעוד הלאומי החכם הקפיץ משמעותית את איכות התיעוד הלאומי, הקושי לזייפו והאפשרות לפיה אדם אחד יחזיק יותר מזהות אותנטית אחת, ביחס למצב הקודם. הישג זה התקבל בעיקר נוכח ההחלטה האסטרטגית על התייצבות פיזית והרכשה "חיה" של הביומטריה לצורך הגשת בקשה להנפקת תיעוד והרכשת המידע הביומטרי, טיוב והבניית הליך התשאול המנוהל בלשכות רשות האוכלוסין, הרמה הגבוהה של התיעוד והקושי בזיופו והכללת מאגר ביומטרי מרכזי למניעת "הרכשות כפולות". כל אלה מהווים משוכה משמעותית וכן גורמים מרתיעים מפני.ניסיונות התחזות מסוגים שונים 2.18 . הישג זה יוותר על כנו בכל החלטה שתתקבל לגבי תכולת המאגר הביומטרי, גם במאגר ביומטרי הכולל תמונות פנים בלבד, ובפרט ביחס להיקף תופעת הזיופים אשר הייתה .קיימת בתיעוד הישן כפי שיתואר בסקירה הטכנולוגית להלן, הפערים ביחס ל"הרכשות כפו ,לות" בין החלופות שלעיל .במספרים מוחלטים, אינם משמעותיים ומהווים "מענה נאות" לצרכיה של מדינת ישראל 2.19 . כאמור לעיל, ההחלטה לכלול מאגר ביומטרי מרכזי בפרויקט הייתה החלטה נכונה ומאוזנת המהווה את אחת מאבני היסוד למניעת התחזויות ולהרתעה. אנו סבורים, כי בבחירה בין הח לופות לתכולת המאגר, המספקות שתיהן "מענה נאות", יש להתחשב בשיקולים נוספים ובראשם סיכוני פרטיות הטמונים בניהול מאגר ביומטרי לאומי מסוג זה18 . 16 פרוטוקול הוועדה המשותפת לפי החוק28.7.09 - https://fs.knesset.gov.il//18/Committees/18_ptv_138944.doc 17 '"תופעת ההרכשות הכפולות וגניבת הזהויות", הרשות לניהול המאגר הביומטרי, בעמ30 סעיף8.3 2014.pdf - 09 - %2010 - http://www.biodb.gov.il/professional_info/documents/duplicate%20enrollment%20prevention%20 18 .בעניין זה קיים דיון מעמיק בדו"ח הוועדה המייעצת בלמ"ס - 12 - 3. אמצעים טכנולוגיים לזיהוי פנים מבוא 3.1 . השימוש במערכות לזיהוי פנים לצרכים לאומיים, או בקנה מידה ציבורי, הולך ומתגבר בשנים האחרונ ות. תמונת פנים משמשת בכל הפרוי קטים הלאומיים הגדולים בעולם לצורך הנפקת תיעוד לאומי ביומטרי, ובמקרים רבים היא הביומטריה היחידה עליו מבוסס הפרויקט19 . זיהוי פנים משמש היום בשדות תעופה, במגרשי כדורגל ובאירועי ספורט גדולים אחרים20 , ואת גורמי האכיפה והביטחון במתארים שונים21 . זיהוי פנים משמש היום גם לשימושים מסחריים ואזרחיים ,שונים ו בטלפונים חכמים ועל ידי הרשתות החברתיות22 . שימוש הולך וגובר בטכנולוגיה זו הביא .להשקעה רבה של חברות הביומטריה בתחום זה, ולקפיצה משמעותית בביצועים, בתוך כעשור 3.2 . מערכת זיהוי תווי פנים היא אפליקציית מחשב אשר מסוגלת לזהות באופן אוטומטי או לאמת את זהותו של אדם על בסיס תצלום דיגיטלי או מקור וידאו. אחת הדרכים לעשות זאת היא .באמצעות השוואת תכונות תווי הפנים בתמונה לתמונות המצויות במאגר נתונים 3.3 . עד לאחרונה פעלו אלגוריתמים אלו על בסיס השוואות גאומטר יות של תווי הפנים (למשל מרחקים בין איברי הפנים: עיניים, אף, פה, אוזניים וכו'), כמו כן, אלגוריתמים מסוימים שבדקו אזורי .עניין בפנים וטקסטורת עור הפנים ועוד 3.4 . לאחרונה יותר ויותר אלגוריתמים מסחריים עוברים לשיטה הנקראתDCNN (Deep Convolutional Neural Network) המ בוססת על רשתות נוירונים ולמידת מכונה (בינה מלאכותית). בשיטה זו שפותחה בהשראת תהליכים קוגניטיביים המתרחשים ברשת עצבית טבעית (למשל מוח האדם), כל מעבד ברשת מסוגל לבצע פעולה מתמטית פשוטה, ובהיקשרם בכמות גדולה יחד מסוגלת הרשת לבצע התנהגות מורכבת כגון למידת מכונ( הMachine Learning .) 3.5 . השינוי בשיטת העבודה של האלגוריתמים של זיהוי הפנים איפשר קפיצת מדרגה בביצועים בכמה .סדרי גודל 3.6 . איור 1 הלקוח ממצגת של23 NIST מציג השתפרות בביצועי האלגוריתמיים במדד אי התאמה ( מוטעיתFNIR - False Negative Identification Rate ) של פי2 בין הש נים2010 עד2013 , ופי 12 בין השנים2013 ל- 2018 . מדד זה משקף את הכישלונות בגילוי הרכשות כפולות במאגר. השיפור בשנים המאוחרות מתאר קפיצת מדרגה ביכולת הנוכחית של אלגוריתמיCNN .בגילוי המתחזים 19 ראו פירוט בדו"ח המממ של הכנסת, מיום31.3.2014 - 59 - 2014_08 - 10 - https://knesset.gov.il/committees/heb/material/data/H26 mmm.pdf _ 57 20 לדוגמא, חברתNEC כי היא תפרוש מערכת לזיהוי פנים עבור המשחקים האולימפיים בטוקיו2020 nec - n recognitio - face - games - olympic - 2020 - https://www.theverge.com/2018/8/7/17659746/tokyo 21 מצלמות פנים משמשות היום את הממשל הסיני בהיקף משמעותי. ראו לדוגמא דיווח ה- asia - https://www.bbc.com/news/world BBC 43751276 - china לפיו פרושות היום בסין למעלה מ170 מי ליון מצלמות במ.רחב הציבורי 22 Facebook מפעילה זיהוי פנים באמצעות אלגוריתם אותו פתחהface.com .ואשר נרכשה על ידה 23 Face Recognition: Performance, Measurement; Patrick Grother and Mei Ngan; NIST; Biometrics Institute Workshop Sydney, AU; May 29, 2018 בלמ"ס - 13 - איור1 3.7 . השימוש הגובר במצלמות במרחב הציבורי, ובטלפונים החכמים מייצר מוטיבציה לפיתוח אפליקציות מסחריות סביב תמונות פנים כגון זיהוי ואימות אנשים במרחב הציבורי (להבדיל מתמונות פורטרט המצולמות באופן מבוקר) על סמך תמונות קודמות של אותו אדם. מטבע הדברים, התמונות הקודמות נלקחו במרווחי זמן שונים ובתנאים שונים של תאורה, רקע ו מצג פנים אל מול המצלמה. מוטיבציה זו מביאה את מפתחי האלגוריתמים להשקיע בתחום זיהוי הפנים מאמצים רבים, והיא המוטיבציה מאחורי קפיצת המדרגה המוצגת באיור. הסברה ההגיונית היא שמגמת השיפור תמשך ואף תתרחב . דו"חותFRVT שלNIST 3.8 . המכון הלאומי האמריקאי לתקנים וטכנולוגיה24 NIST מקיים מזה18 שנים בדיקות לזיהוי פנים הנערכות במסגרת25 FRVT (מבדקי טכנולוגיית זיהוי פנים ליצרנים בעולם), אשר מטרתם לסייע לממשלת ארה"ב להעריך את ביצועי טכנולוגיית זיהוי הפנים ואת האופן בו יש ליישמה במערכות הממשלתיות. בשל הניסיון הרב של ה- NIST והאמצעים העומדים לרשותו לביצוע מבדקים אלה (לרבות מאגרים ביומטריים בהיקפים של מיליוני רשומות), הפכו דו"חות ה- FRVT ,למקור פומבי 24 / https://www.nist.gov - National Institute of Standards and Technology - NIST 25 frvt - test - vendor - recognition - projects/face - https://www.nist.gov/programs בלמ"ס - 14 - בלתי תלוי, האמין ביותר הקיים כיום בעולם המפרסם נתונים בתחום זה, ומרבית היצרנים .העוסקים בו מעבירים אליו את האלגוריתמיקה המתקדמת ביותר שלהם לבדיקה 3.9 . במהלך השנה החולפת עמד הממונה בקשר עם מרPatrick Grother האחראי מטעם ה- NIST על מבדקי ה- FRVT וביקש לוודא כי אופן בדיקת אתגר ה"הזדקנות" הנוגע לזיהוי פנים, המבוצע כחלק ממבחני האלגוריתמים של היצרנים, יהיה תואם לפרמטרים שבפרויקט התיעוד הלאומי החכם ולאלה הנבדקים בחוות דעת זו, ככל הניתן. בחינת נושא זה נעשתה במסגרת חלופ ת התכתבויות עם מרGrother .וכן במספר פגישות שנערכו עמו בארץ ובארה"ב 3.10 . דו"חות ה- FRVT מתפרסמים אחת ל3-4 שנים. דו"חFRVT 2018 השלם נמצא במועד זה בהכנה והוא צפוי להתפרסם במלואו בתחיל ת2019 26 . ( הדו"ח צפוי להציג מספר סבביםPhases ) של בדיקות אלגוריתמים, כאשר מסבב לסבב יש צפי להצגת שיפור בביצועים. מדו"חות אלה ניתן .לעמוד על האמצעים הטכנולוגיים העדכניים ביותר היום בתחום זיהוי הפנים, בעולם 3.11 . במסגרת עבודת ה- NIST ל- FRVT 2018 נבחנו29 חברות ו- 62 אלגוריתמים27 . נכון למועד כתיבת דו"ח זה הועברו לידנו מ- NIST תוצאות מ "סבב1 ", ולבקשתנו הועברה אלינו טיוטה סופית של הפרקים הרלוונטיים לנושא הAging מתוך "סבב2 " אשר צפוי להתפרסם רשמית במהלך חודש נובמבר. בנוסף, "סבב3 " עתיד להתפרסם במהלך רבעון ראשון2019 . להלן ריכוז תוצאות שביצענו ל"סבב 2 " עבור האלגוריתמיקה המובילה לזיהוי פנים ע"פNIST :, לעניין ההזדקנות 26 evaluation - 2018 - 1n - frvt - test - vendor - recognition - projects/face - https://www.nist.gov/programs 27 לסבב הראשון הוגשו138 אלגוריתמים לבדיקה, מ- 32 .חברות, אולם לא כולם התקבלו בלמ"ס - 15 - 3.12 . גרף זה מציג תוצאות ל- 12 אלגוריתמים, במתאר של חיפוש1:M , למאגר בגודל של3 ,מיליון איש עבור פערים בין תמונת ההרשמה לתמונת ההשוואה של8-10 שנים (טווח הזמן ה מקסימלי לתיעוד ביומטרי) . בגרף נראה בבירור ששני האלגוריתמים המובילים בסבב2 הם אלגוריתם yitu_2 ואלגוריתםMicrosoft_4 המגיעים ל- FNIR בין4% ל- 6% ב- FPIR של 1% (כזכור הצו ( מתיר שגיאת אי התאמה מוטעיתFNIR ) של5% , ו אחוז אחד לש שגיא ת התאמה מוטעית( FPIR ) ל מאגר ב גודל של10 .)מיליון 3.13 . גודלו של המאגר הנבדק על ידיNIST הוא כ-3 מיליון תמונות בעוד שהמאגר המלא של ישראל צפוי להיות בגודל של8-10 " מיליון תמונות. לפיכך, יש לנרמל את הגרף ולהתייחס לערכיY " של " העקומות של שני האלגוריתמים המצוינים עבור ערך"X של0.003 (הוא הערך הרלוונטי ל- FPIR ע"פ דרישות הצו). נמצא שהערכים הם כ- 7% ו-כ- 8% בהתאמה (במקום5% - ערך הייחוס בצו .)עבור תפיסת מתחזים 3.14 . :התוצאות המתוארות לעיל מוצגות על רקע הנתונים הבאים, אותם יש לקחת בחשבון 3.14.1 . התוצאות המוצגות מתייחסות לניהול השוואה ביומטרית ב"עבודת מכונה" בלבד (נקרא " בשפה המקצועיתLights Out"), כאשר ניתן לנהל תהל יכי עבודה מתקדמים יותר28 הכוללים גם שילוב מידע דמוגרפי29 ו בוחנים אנושיים שיכולים לשפר את התוצאות כפי שמבוצע גם ע"י מדינות אחרות. 3.14.2 . התמונות, "חומר הגלם", של המאגר הביומטרי הישראלי איכותיות יותר ממאגרי תמונות הפנים שלNIST . על כן, ובהתאם לשיחות שקיימנו עם מרGrother בנושא, צפוי כי המאגר .הישראלי יציג תוצאות טובות יותר 3.14.3 . חלק ניכר מהתמונות המצולמות במבדקי ה- FRVT הינן של עצירים/אסירים, אשר בארה"ב נוטים לעשות שימוש משמעותי בסמים, אלכוהול וכד', המאיצים את ההזדקנות של הגוף. על כן, ובהתאם לשיחות שקיימנו עם מרGrother בנושא, צפוי כי המאגר .הישראלי יציג תוצאות טובות יותר 3.14.4 . מאידך, התמונות שבמאגר ה- NIST מורכבות מ- 70% גברים ו- 30% נשים (בשונה מההתפלגות הרגילה באוכלוסייה ). ידוע כי אלגוריתמיקה לזיהוי פנים מדויקת יותר עבור גברים, ועל כן יש לצפות כי המאגר הישראלי יציג תוצאות נמוכות במעט בהיבט זה. 3.15 . :לסיכום פרק זה נציין מתוך דו"ח מחצ"ב רפאל הקובע ..." ביצועי האלגוריתמים במבחןNIST משתפרים הן לאורך השנים והן משלב לשלב בתקופת מבחן נתונה. ביצועי אלגוריתמים שהשתתפו בשלב השני של מבחןNIST ב- 2018 , מציגים כבר כיום ביצועים קרובים מאוד למדדי הייחוס. צפוי שביצועי האלגוריתמים המיטביים ממבחן NIST (שלב שני) יהיו גבוהים עוד יותר, אם ייבחנו על מאגר המכיל רק תמונות באיכות גבוהה (העומדות במאפייני הייחוס), ואם במאגר תהיה יותר מתמונה אחת לכל אדם" 30 . 28 לדוגמה- הגדלתrank .(מספר תוצאות השוואה) ושמירת מספר תמונת פנים לכל תושב 29 ציון מגדר, גיל ו תאומים. 30 דו"ח מחצ"ב רפאל, סעיף26 . בלמ"ס - 16 - 4. סקירה משווה פניות למדינות 4.1 . נעשתה פניה ל-8 מדינות מערביות (פירוט מלא של הפניות מופיע בנספח המסווג ), מתוכן נענו3 .מדינות לשתף אותנו במידע: קנדה, אוסטרליה וארה"ב 4.2 . :עיקרי התובנות שהתקבלו מפניות אלה 4.2.1 . מדינות אלו מחזיקות מאגר ביומטרי על מנת למנוע ניסיונות התחזות.והרכשה כפולה 4.2.2 . התמונות נשלחות ע"י התושבים (שלא כבישראל בה נלקחות התמונות על ידי פקיד מיומן .)והינן באיכות מעולה ובאופן אחיד בכל הלשכות 4.2.3 . נושא ההזדקנות נחקר לפני כעשור על אלגוריתמים ישנים ונמדדה הידרדרות באיכות התמונות לאורך שנים. ארה"ב וקנדה שיתפו אותנו בממצ( אים הממצאים מפורטים ב נספח המסווג). 4.2.4 . מדינות אלו מנפיקות דרכונים ל- 10 .שנים 4.2.5 . כלומר, נתוני הפרויקט של מדינות אלה פחות טובים מהנתונים הישראליים והממצאים הנוגעים להזדקנות כפי שמוכרים להן אינם רלוונטיים עוד היום. אף על פי כן מנוהלים פרויקטים להנפקת תיעוד לאומי בפער של10 .שנים, על בסיס תמונות פנים פניות לחברות 4.3 . נעשתה פניה לקבלת מידע מחברות הטכנולוגיה המתמחות בנושא השוואת פנים במערכות זיהוי (פירוט בנספח המסווג .) 4.4 . באופן כללי ניתן לסכם שלחברות אין מספיק נתונים בבסיס נתונים של תמונות פנים על מנת לבסס ממצאים מובהקים .לנושא ההזדקנות בלמ"ס - 17 - 5. תובנות, סיכום והמלצות 5.1 . התובנות וההמלצות המפורטות להלן מבוססות על ניתוח הממצאים והנתונים שנאספו, ועל דו"ח .מחצ"ב רפאל המצ"ב 5.2 . על פי נתוניNIST , שיעור הדיוק של אלגוריתמים לזיהוי פנים קפצו פי24 בין השנים2010-2018 . כלו מר, בעת כתיבת תורת ההפעלה לפרוי קט התיעוד הלאומי החכם והגדרת הצרכים, בשנת2008 , עמדה בפני כותבי המסמך תמונת מצב טכנולוגית שונה בתכלית מזו הקיימת כיום, ועל כן נמצא הצורך לשלב טביעות אצבע במאגר הביומטרי יחד עם תמונת פנים. ההתפתחות הטכנולוגית, כפי שתוארה, מאפשרת, בעת הזו, הישענו.ת על תמונות פנים בלבד 5.3 . דוחFRVT2018 שלNIST מראה בבירור קפיצת מדרגה משמעותית ביכולת הטכנולוגית של .האלגוריתמים להתמודד עם בעיית ההזדקנות, ומגמת השיפור צפויה להיראות גם בהמשך 5.4 . בשימוש באלגוריתמים המתקדמים במאגר של3 )מיליון תמונות (היקף המאגר הישראלי כיום ( ניתן לעמוד בדרישות הייחוס של הצו לעשר שנים95% מניעת הרכשות כפולות) בעבודת מכונה .ללא הוספת נתונים דמוגרפיים 5.5 . עבור מאגר של כ- 10 מיליון תושבים ובשילוב של בודק אנושי ושילוב נתונים דמוגרפיים, ניתן יהיה לעמוד בדרישה זו, באמצעות רכש טכנולוגי מתקדם ושיפור תהליכי העבודה, כדוגמת המתואר :להלן 5.5.1 . רכש של אלגוריתם מוביל ושילובם במערכת הממוכנת של המאגר, על פי תוצאות מבדקי Phase3 של ה- FRVT , הצפויות להתפרסם בתחילת שנת2019 . 5.5.2 . ( היתוך ממוכןfusion ) של שני אלגוריתמים לתוצאה משולבת (כאשר לכל אלגוריתם יש .)ייחודיות משלו 5.5.3 . הוספת מידע דמוגרפי מינימאלי למאגר הביומטרי (מגדר, קבוצות גיל וחיווי תאומים .)זהים 5.5.4 . .שילוב של בוחנים אנושיים בתהליך שיבחנו את מקרי הקצה ויקבלו החלטה מושכלת 5.6 . באם יוחלט כי "מענה נאות" אפשרי הוא שיעור הצלחה של90% - 93% , באיתור הרכשות כפולות במאגר הביומטרי, ניתן להסתפק ברכש של האלגוריתמיקה המובילה בלבד עם שינויים מינוריים. 5.7 . נכון להיום, ה"מחיר" שבהפחתת שיעור ההצלחה, במספרים מוחלטים, הוא מספר מתחזים בודדים שלא יאותרו. מדובר בפער נמוך מאד בקנה מידה לאומי , וגם תוצאות אלה מהוות "מענה נאות" המספק לצורך מימוש המטרה העיקרית של החוק - הנפקת תיעוד אמין לתושבי ישראל ובפרט נוכח היקף התיעוד המזויף הישן טרם עליית הפרויקט לאוויר. 5.8 . בעת קבלת החלטה ביחס ל"מענה הנאות" עבור מדינת ישראל נלקחו בחשבון הסיכונים הטמונים בניהול מאגר ביומטרי לאומי הכולל גם טביעות אצבע (לרבות סיכוני פרטיות), למול התועלת .הכרוכה בכך לצורך הישראלי בתיעוד אמין ומתקדם 5.9 . אנו סבורים כי עיקר החשש הנוגע להתחזות אינו נובע מאופן פעולתו של המאגר הביומטרי, אלא טמון בנקודות אחרות בפרויקט זה31 . 31 הממונה על היישומים הביומטריים יבצע פיקוח על נושאים אלו במהלך שנת2019 . בלמ"ס - 18 - 5.10 . לאור האמור לעיל, עם השלמת היערכות על ידי הרשות לניהול המאגר הביומטרי, ניתן יהיה לבטל את הוראת השעה ולקיים מאגר ביומטרי מבוסס תמונות פנים בלבד. בכל מקרה, אין הצדקה להארכה של הוראת השעה מעבר ל- 5 .שנים 5.11 . במקביל, יש להמשיך לבחון את התפתחות טכנולוגיית זיהוי הפנים, ולעקוב אחר היקף ההרכשות .הכפולות 6. תודות הממונה על היישומים הביומטריים מבקש להודות לעובדי מערך הסייבר הלאומי, עובדי היחידה להזדהות וליישומים ביומטריים, יועצי היחידה, חוקרי מחצ"ב רפאל ולארגוןNIST אשר תרמו לעבודתו וסייעו לגיבוש ההמלצות המובאות במסמך זה: מרPatrick Grother , מנהל תחום זיהוי הפנים בNIST דר' עילם גופר, מנהל מחצ"ב רפאל מר דורון פלס , מחצ"ב רפאל מר בן לבב, מחצ"ב רפאל מר רפאל פרנקו, ר' מכלול עמידות, מערך הסייבר הלאומי מר עמנואל אליסף, ר' אגף בכיר פיקוח, היחידה להזדהות וליישומים ביומטריים, מערך הסייבר הלאומי עו"ד נעמה בן צבי, ייעוץ משפטי, היחידה להזדהות וליישומים ביומטריים, מערך הסייבר הלאומי גב' צופית יסובסקי, היחידה להזדהות וליישומים ביומטריים, מערך הסייבר הלאומי מר אלון אופיר, יועץ חיצוני, היחידה להזדהות וליישומים ביומטריים, מערך הסייבר הלאומי מר אבנר בן אפרים, יועץ חיצוני, היחידה להזדהות וליישומים ביומטריים, מערך הסייבר הלאומי מר אלעד צור, יועץ חיצוני, היחידה להזדהות וליישומים ביומטריים, מערך הסייבר הלאומי בלמ"ס - 19 - נספח1 : דו"ח מחצ"ב רפאל בלמ"ס - 20 - ת ס ק י ר רפאל– מערכות לחימה מתקדמות בע"מ מחצ" ב– המרכז למחקרים צבאיים בלמ"ס ביומטריה- בדיקת81 חודש פלס דורון מחצ" ב18 / 81 כסלו תשע"ט נובמבר 8181 העבודה כוללת 78 עמודים עותק מתוך עותקים רפאל- מערכות לחימה מתקדמות בע"מ מחצ" ב- המרכז למחקרים צבאיים בלמ"ס ביומטריה- בדיקת81 חודש תסקיר פלס דורון מחצ" ב13 / 31 כסלו תשע"ט נוב מבר8131 בדיקה: בן לבב ד"ר עילם גופר עריכה: שרה מידת בלמ"ס 8 מחצ"ב 31/13 מחצ" ב- המרכז למחקרים צבאיים CEMA - Center for Military Analyses כתובת אזרחית :מחצ" ב(מ"ה 091 ) ,ת" ד8821 , חיפה1318318 כתובת מקמ"ר :משהב"ט/רפאל/מחצ" ב(מ" ה091 ) אתר בצהלנ"ט : https://portal.army.idf/sites/amatz_tol/5726071/s3i/c1j טלפון אזרחי- 101-1121311 , פקס אזרחי- 101-1121334 טלפון אבן יקרה - 411-8041 , פקס אבן יקרה - 411-8148 דואר אלקטרוני- [email protected] מחצ"ב 31/13 1 בלמ"ס תקציר בלמ"ס: ביומטריה היא טכנולוגיה שעוסקת במאפיינים פי ז יים או התנהגותיים ייחודיי ם של אדם . מאפיינים אלה ניתנים למדידה .הם משמשים ל שתי פעולות עיקריות :האחת, אימות הזהות ש אדם טוען לה (משימת אימות) .השנייה ,זיהוי אדם מתוך ציבור של אנשים (משימת זיהוי). העבודה הנוכחית מְ מַ פָּה את הביצועים המיטביים של אלגוריתמים במשימת זיהוי (באמצעות תמונות פנים) ,בפרט לאור השפעת תהליך ההזדקנות על ביצועים אלו . העבודה מרכזת ומנתחת חומר נגיש הקיים ממקורות שונים (מחקרים אקדמיים ו מבחני מכון התקנים האמריק ני - NIST ) .נוסף על-כך מציגה העבודה את המשמעוי ות לשילוב בוחנים אנושיים במשימת זיהוי , ומנתחת את היכולת של מערכת ביומטרית להתמודד עם מתחזים. מכלל המקורות שמּופו עולה כי כיום , האלגוריתמים המשתתפים במבחניNIST מציגים את הביצועים המיטביים למשימת זיהוי תוך התמודדות עם השפעת ההזדקנות . העבודה כוללת המלצות רל וונטיות לבחירת אלגוריתם למשימת זיהוי במאגר ביומטרי , ולשיפור ביצועי המערכת על-ידי תיוגים ו/או שילוב בוחנים אנושיים. מי לות מפתח :ביומטריה ,משימת זיהוי ,אלגוריתם ,הזדקנו ת ,התחזו ת. מחצ"ב 31/13 2 בלמ"ס תוכן העניינים פרק ראשון: בוא מ ,סיכום והמלצות ................................ ............................. 0 פרק שני: הגדרות ומדדים ................................ ................................ ....... 30 פרק שלישי: ביצועי אלגוריתמים במחקרים אקדמיים ................................ .... 83 פרק רביעי: ביצועי אלגוריתמים במבחן מכון התקנים האמריקני ................... 13 פרק חמישי: שילוב תיוגים ובוחנים אנושיים במשימת זיהוי ............................ 19 פרק שישי: התמודדות עם מתחזים ................................ ............................ 43 נספח א': מאגרי נתונים במחקרים אקדמיים ................................ ............ 40 מקורות ................................ ................................ .............................. 02 מחצ"ב 31/13 0 בלמ"ס פרק ראשון מבוא ,סיכום ו המלצות כללי 3. ביומטריה היא טכנולוגיה שעוסקת במאפיינים פיזיים או התנהגותיים ייחודיים של אדם . מאפיינים אלה ניתנים למדידה ולבחינה על-ידי מערכת ביומטרית1 . זאת באמצעות נטילת דגימות ביומטריות2 ,עיבודן והשוואה ביניהן . לרוב משמשות מערכות ביומטריות לשתי משימות עיקריות : א. אימות הזהות שאדם טוען לה( Verification - 1:1 ) - השוואת הדגימה הביומטרית העדכנית ש ל הנבדק עם הדגימה הביומטרית המתועדת בתעודת הנבדק( או במאגר המערכת) ,על-מנת לאמת את זהותו; ב. זיהוי אדם מתוך ציבור של אנשים ( Identification - 1:N ) - השוואת הדגימה הביומטרית העדכנית של הנבדק עם כלל הדגימות הביומטריות הנכללות ב מאגר המערכת , על מנת ל זהות את הנבדק על פי הדגימה הביומטרית שבמאגר. 8. מערכת ביומטרית אמורה להתמודד עם שני סוגים של נבדקים: א. נבדקים תמימים- נבדקים ללא כוונת זדון , שאינם מנסים להטעות את המערכת במכוון; ב. נבדקים מתחזים- נבדקים עם כוונת זדון ,המנסים להטעות את המערכת . 1. בשנת8119 נחקק חוק"הכללת אמצעי זיהוי ביומטריים במסמכי זיהוי ובמאגר מידע" [ מדינת ישראל , 8119 ]. החוק קובע את התהליכים ואת האמצעים הדרושים לצורך זיהוי ביומטרי של אזרחי ישראל בתעודות הזהות שלהם ובמסמכי הנסיעה שלהם(דרכונים או תעודות מעבר .)כמו כן דן החוק בהקמת מאגר נתונים ביומטריים של אזרחי מדינת ישראל. 1. החוק קבע כי תחולת ו תתבצע בהדרגה , וכי על שר הפנים לקבוע בצו(להלן :הצו )תקופת מבחן לביצוע בדיקות למערכות ולתהליכים , שתכליתם לסייע למקבלי ההחלטות להבין את אופן יישום החוק וכן להחליט על נחיצותו של המאגר הביומטרי .כמו כן מפרט ה צו את סוגי הדגימות הביומטריות שבהן ייעשה שימוש(טב יעות אצבע ותמונות פנים) , ומגדיר מדדים כמותיים לרמת השירות שתינתן לנבדקים תמימים ולהתמודדות עם נבדקים מתחזים[מדינת ישראל , 8133 ] . ________________________________ ________________________________ _________ 1 מערכת ביומטרית היא אוסף של אמצעים טכנולוגיים המשמשים לצורך נטילת דגימות ביומטריות , עיבודן והשוואה ביניהן ,למשל :התקן ביומטרי לנטילת דגימה ,מאגר נתונים המכיל דגימות ביומטריות , אלגוריתמים להשוואת דגימות ביומטריות וכדומה . 2 דגימה ביומטרית היא ייצוג ממוחשב ש ל מאפיין פיזיולוגי או התנהגותי ,למשל :טביעת אצבע ,צילום פנים , סריקת רשתית ועוד . דגימה זו היא לרוב נתונים שהתקבלו מהתקן ביומטרי כלשהו(מצלמה ,חיישן טביעות אצבע , סורק וכדומה.) בלמ"ס 1 מחצ"ב 31/13 יישום הצו הוטל על רשות האוכלוסין וההגירה ועל רשות המאגר הביומטר י . תוקפו של צו זה פקע לאחר תום תקופת המבחן( במחצית שנת8130 ) , והחקיקה הקיימת כיום אינה קובעת מדדים כמותיים מחייבים בנושאים אלה . 2. בפברואר8130 קיבלה הכנסת את המלצותיו של שר הפנים לגבי מתווה התיעוד הלאומי . המלצות אלה גובשו בתום תקופת המבחן .על-פי ההמלצות , יחויבו האזרחים לתת למאגר הביומטרי תמונת פנים .האזרחים יוכלו לבחור לתת גם טביעות אצבע . אזרח שיבחר שלא לתת טביעות אצבע , ייאלץ להחליף את תעודת הזהות או את מסמכי הנסיעה שלו ( להלן מסמכי הזיהוי3 ) כל2 שנים . אזרח שיבחר לתת גם טביעות אצבע יצטרך להחליף את מסמכי הזיהוי רק כל31 שנים .נוסף לכך ,אזרחים שבחרו לתת טביעות אצבע והתחרטו , יוכלו לבקש את הסרת המידע מהמאגר ,והוא יוסר באופן מיידי. 4. הסיבה ה עיקרית למשך התוקף השונה של מסמכי הזיהוי(כתלות בקיום דגימת טביעות אצבע ) היא הקושי של מערכות ביומטריות לבסס אימות או זיהוי נכונים על- ידי בחינת דגימות של תמונות פנים בלבד , וזאת בגלל שינויים טבעיים בתווי הפנים(הזדקנות .) קושי זה הולך וגדל ככל שמתארך הזמן ממוע ד נטילת הדגימה הביומטרית המקורית(הנמצאת במאגר או במסמכי הזיהוי ) ועד מועד נטילת הדגימה הביומטרית העדכנית הנבחנת(להלן :תחום ההזדקנות .) ככל שתחום ההזדקנות גדול יותר ,כך עוברים הפנים שינויים גדולים יותר , למשל שינוי במאפיינים גיאומטריים(לדוגמה שינוי המרחק בי ן מרכז עין לבין קצה שפה) , שינוי בצבע ובמרקם העור ועוד . ככל שהשינויים בפניו של הנבחן גדולים יותר( אל מול הדגימה שבמסמכי הזיהוי או במאגר) ,כך עולים שיעורי השגיאה של המערכת הביומטרית , והיא מתקשה לעמוד במדדים הכמותיים שבמשימות האימות והזיהוי. 0. במרס 8130 , בתיקו ני חקיקה ל-[מדינת ישראל , 8119 ] , נקבעה הוראת שעה לתקופה של חמש שנים ,ל וע-פיה ב- 31 החודשים הראשונים ממועד קביעתה יב דוק ראש מערך הסייבר הלאומי אם קיימים אמצעים טכנולוגיים שיש בהם לתת מענה לזיהוי ז הות של תושב על בסיס מאגר של תמונות פנים בלבד , עבור תחום הזדקנות של31 שנים . את חוות דעתו בעניין זה יגיש ראש מערך הסייבר הלאומי לשר הפנים[מדינת ישראל , 8130 ] .כמו כן נקבע כי לפ נ י מתן חוות דעתו , יוצגו בפני ראש מערך הסייבר הלאומי עמדתם של ראש הרשות לניהול המאגר הביומטרי והממונה על ה יישו מי ה ם ביומט רי ים במשרד ראש הממשלה. 1. לשם גיבוש עמדת הממונה על היישומים הביומטריים במשרד ראש הממשלה , הוחלט על התהליכים הבאים [היח 'ליישומים ביומטריים , 8131 ]: א. סקירת מחקרים אקדמיים; ב. סקירת יכולות מסחריות; ג. היוועצות עם מדינות המקיימות מאגרים לאומיים שמבוססים על תמונות פנים. ________________________________ ________________________________ _________ 3 אנו עושים שימוש במונח זה בהתאם לקביעתו והגדרתו בחוק[מדינת ישראל , 8119 ] ובצו[מדינת ישראל , 8133 ]. מחצ"ב 31/13 9 בלמ"ס 9. עבודה זו מ ממ שת את תהליכים א 'וב 'שהוזכרו לעיל .ב-[פלס , 8131א] מפורט ניתוח ל נתונים שהועברו ממדינות המקיימות מאגרים לאומיים אל היחידה ליישומים ביומטריים. מטר ת העבודה 31 . העבודה מְ מַ פָּה את הביצועים המיטביים של אלגוריתמים במשימת זיהוי( 1:N ) , באמצעות ריכוז וני תוח החומר ה נגיש הקיים ממקורות שונים: א. מחקרים אקדמיים; ב. ביצועי אלגוריתמים מסחריים ,לע-יפ בחינת4NIST . מבנה העבודה 33 . מלבד הפרק הנוכחי , כוללת העבודה עוד חמ ישה פרקים . בהמשך פרק זה מוצגים ממצאי העבודה ,סיכום והמלצות . בפרק השני מובאים הגדרות ומדדים מקובלים בתחום הזיהוי הביומטרי . בפרק השלישי ים צג ומ הביצועים המיטביים של אלגוריתמים במשימת זיהוי כפי שהם נסקרו במחקרים אקדמיים .ב פרק ה רביעי ים צג ומ הביצועים המיטביים של אלגוריתמים מסחריים במשימת זיהוי , כפי שנבחנו במסגרת5FRVT-Identification-2018 (Phase-1&2) של NIST .ב פרק ה חמ ישי מוצגות המשמעו יו ת של שילוב בוחנים אנושיים ותיוגים במשימת זיהוי, וב פרק הש ישי מנותחת ה יכולת ל התמודד עם ניסיונו ת התחזות על-ידי משימת זיהוי. ביצועי המערכת הביומטרית 38 . בבסיס הזיהוי הביומטרי עומדת ההנחה שלא ייתכן כי לאדם המזדהה באמצעות מסמך ביומטרי תהיה יותר מזהות אחת .כלומר , לא ייתכן מצב המאפשר לשייך יותר מזהות אחת לקבוצת מאפיינים ביומטריים נתונה. על מנת להבטיח את קיומה של הנחה זו, במאגרים ביומטריים בכלל ובמאגר הביומטרי בישראל בפרט , מבוצעת משימת זיהוי בעת רישום ראשוני של אזרח במערכת , ובעת חידוש מסמכי זיהוי לאזרח שדגימותיו הביומטריות כלולות כבר במאגר הביומטרי .במקרה הראשון , הציפייה היא לא למצוא התאמה לזהות כלשהי במאגר( כיוון שזהו רישום ראשוני של אזרח במאגר .)במקרה השני ,הצ יפייה היא למצוא התאמה לזהות האמיתית של האזרח הכלולה במאגר ,ולא למצוא התאמה לאף זהות אחרת . אם לא יתקבלו תוצאות צפויות אלו ,יתעורר חשד שקיימות זהויות שונות לאותם מאפיינים ביומטריים . המשמעות היא שייתכן כי אדם אחר הצליח להתחזות לאזרח הנבחן ,או שהאזרח הנבחן מנס ה להתחזות לאדם אחר. 31 . אחד החלקים המשמעותיים במערכת ביומטרית הוא האלגוריתם המשווה בין דגימות ביומטריות(דגימה עדכנית אל מול מוקדמת) , ומעריך האם הן שייכות לאותו אדם או לאנשים שונים . כיוון שהמאפיינים הביומטריים של אדם משתנים לאורך השנים( חלקם יותר וחלקם פחות) , תוצאת ההשוואה בין כל זוג דגימות ביומטריות איננה דיכוטומית(מתאים/לא מתאים) . ________________________________ ________________________________ _________ 4 National Institute of Standards and Technology (USA) . 5 Face Recognition Vendor Test . בלמ"ס 31 מחצ"ב 31/13 בסיומו של תהליך ההשוואה מתקבל ציון התאמה , הגדל ככל שנמצא כי הדגימות הביומטריות דומות זו לזו .נהוג גם להגדיר ערך סף לציון ההשוואה ,בעיקר על- מנת למנוע מצב של התאמה מוטעית ,למשל בין ד גימה ביומטרית של אדם נבחן לבין דגימה ביומטרית של אדם אחר( הכלולה במאגר) .לאור זאת , תשובת המערכת הביומטרית לכל השוואה היא הסתברותית באופיה ועלולה לכלול שגיאות שונות .את ביצועי ה מערכת ה ביומטרית נהוג להגדיר על- ידי קביעת חסמים כמותיים לשגיאות המערכת במשימותיה השונות . ככל שהאלגוריתם המבצע את המבחן ההשוואתי בין הדגימות הביומטריות יעיל יותר , כך השגיאות הסטטיסטיות השונות של המערכת הביומטרית תהי י נה נמוכות יותר , ולכן השפעתו של האלגוריתם על ביצועי המערכת הביומטרית היא רבה. 31 . בהתייחס למשי מת אימות ,נהוג להתייחס ל ביצועי המערכת הבאים: א. קבלה מוטעית - מצב שבו ה תוצא ה של משימת אימות הראתה התאמה בין דגימה ביומטרית עדכנית ובין דגימה ביומטרית במסמכי הזיהוי , במקרה שלא הייתה צריכה להיות התאמה כזו .הדרישה בצו הי תה י ש שיעור הקבלות המוטעות( 6FMR ) לא יהיה גדול יותר מקבלה מוטעית אחת לכל31,111 נטילות; ב. דחייה מוטעית - מצב שבו ה תוצא ה של משימת אימות הראתה אי- התאמה בין דגימה ביומטרית עדכנית ובין דגימה ביומטרית ב מסמכי הזיהוי , במקרה י שה יתה צריכה להיות התאמה .הדרישה בצו הי תה י ש שיעור הדחיות המוטעות( 7FNMR ) לא יהיה גדול יותר מדחייה מוטעית אחת לכל311 נטילות. 32 . בהתייחס למשימת זיהוי ,נהוג להתייחס לביצועי המערכת הבאים8: א. אי- התאמה מוטעית- מצב שבו ה תוצא ה של משימת זיהוי הראתה אי- התאמה בין דגימה ביומטרית עדכנית של אדם ובין דגימה ביומטרית קודמת שלו הכלול ה במאגר . הדרישה בצו הייתה ש שיעור אי-ההתאמות המוטעות ( 9FNIR ) לא יהיה גדול יותר מאי התאמה מוטעית אחת לכל81 נטילות; ב. התאמה מוטעית- מצב שבו ה תוצא ה של משימת זיהוי הראתה התאמה בין דגימה ביומטרית עדכנית של אדם ובין דגימה ביומטרית קודמת של אדם אחר הכלול ה במאגר . הדרישה בצו לשיעור ההתאמות המוטעות( 10FPIR ) הוגדרה כתלויה בגודל המאגר הביומטרי ,כלהלן: ________________________________ ________________________________ _________ 6 False Match Rate . 7 False Negative Match Rate . 8 להבנתנו , ביצועי ה מערכת בפועל נקבעים על-ידי מנהל המערכת על פי מדיניות ניהול סיכונים , והאיזון שהוא רואה לנכון בין צורך ב י טחוני ל בין צורך תפעולי וצרכים נוספים. 9 False Negative Identification Rate . 10 False Positive Identification Rate . מחצ"ב 31/13 33 בלמ"ס 3) לא יותר מהתאמה מוטעית אחת לכל31,111 נטילות עבור מאגר המכיל מאה אלף רשומות; 8) לא יותר מהתאמה מוטעית אחת לכל3,111 נטילות עבור מאגר המכיל מיליון רשומות; 1) לא יותר מהתאמה מוטעית אחת לכל311 נטיל ות עבור מאגר המכיל31 מיליון רשומות. 34 . בהתייחס לאפשרות של מתחזים , נהוג להגדיר את אחוז המתחזים שייתפסו בעקבות תהליך הסינון . הדרישה בצו היית ה שהמערכת הביומטרית תמנע92% מניסיונות ההתחזות. 30 . חשוב לציין כי נכון למועד כתיבת מסמך זה , הצו הנדון אינו בתוקף ואין צו חדש המגדיר דרישות כמותיות לביצועי המערכת הביומטרית הישראלית .על אף שדרישות הצו אינן מחייבות , אנו מתייחסים אליהן כאל מדדי ייחוס ,לצורך השווא ה לממצאי עבודה זו בלבד . מאפייני ייחוס ל מאגר ביומטרי 31 . כפי שנראה בהמשך העבודה ,ביצועי אלגורית מים במשימות זיהוי תלויים בפרמטרים שונים של המאגר הביומטרי , לרבות גודלו(מספר הרשומות שבו) ,התפלגויות הגיל , המין והמוצא האתני של האנשים במאגר ,איכות תמונות הפנים ועוד .על- מנת שניתן יהיה להסיק מסקנות מעבודה זו לגבי המאגר הביומ טרי הישראלי הוגדרו מספר מאפייני ייחוס למאגר ביומטרי כנקודת עבודה: א. גודל המאגר- אנו מתייחסים למאגר המכיל107 ( 31 מיליון )תמונות פנים. כיום מכיל המאגר הביומטרי הישראלי תמונה אחת לכל זהות(ברובם המכריע של המקרים .) לאור הכוונה לשמור במאגר את כל תמונות הפנים שנ דגמו מיום הקמת ו , צפוי שבעתיד יכיל המאגר יותר מתמונה אחת לכל אדם ,ו לכן יהיה גדול יותר; ב. איכות התמונות- אנו מתייחסים לכך שהתמונות במאגר עומדות בתקני איכות גבוהה11 , תנאי הצילום מבוקרים מאוד(הקפדה על מישור פנים ניצב למצלמה , תאורה אחידה) , וכן שנעדרים מהתמונה אלמנטים זרים המס תירים את תווי הפנים(כובעים ,צעיפים ,רעלות וכ דומה.) ________________________________ ________________________________ _________ 11 למשל עמידה בתקןISO/IEC 19794-5 . בלמ"ס 38 מחצ"ב 31/13 השלכ ות ממצאי העבודה על ביצועי המאגר הביומטרי הישראלי 39 . כלל הממצאים המוצגים בעבודה מושפעים ממאפייני מאגרי התמונות שעליהם בוצעה משימת הזיהוי .כאמור ,מאפייני המאגר העיקריים המשפיעים על ביצועי האלגוריתמים הם : גודל המאגר ,איכות התמונות הכלולות בו ,התפלגות הגיל ,המין והמוצא האתני של האנשים במאגר . על-מנת להסי ק לגבי ביצועי האלגוריתמים הצפויים להתקבל במשימת זיהוי ב מאגר הביומטרי הישראלי נדרש לבצע התאמות ,ואכן עשינו התאמות א לו בכל המקומות שהיה בידינו המידע הדרוש לכ ך .עם זאת ,בכל מקום בו לא בוצעה ההתאמה הנדרשת ,יש ל הביא בחשבון שייתכן שיפור או הרעה בביצועי האלגוריתמים המוצגים בעבודה זו , אם ייבחנו על המאגר הביומטרי הישראלי. ממצאים, מסקנות ו המלצות ממצאים 81 . ביצועי אלגוריתמים לזיהוי פנים משתפרים מאוד לאורך השנים ,ובפרט לאחר תח ילת השימוש ב- DCNN 12 לתהליך למידת הפרמטרים של האלגוריתם . ניתן לראות את השיפור בביצועי האלגוריתמים הן במחקרים אקדמיים והן בביצועים שאלגוריתמים אלו מציגים במבחניNIST ( National Institute of Standards and Technology - מכון התקנים האמריקני .)לדוגמה , ביצועי האלגו ריתם המיטבי(משימת זיהוי )במבחן NIST שנערך בשנת8131 היו טובים בפקטור 8 מאשר אלו שהתקבלו בשנת8131 , ואילו ביצועי האלגוריתם המיטבי בשלב ראשון של המבחן בשנת8131 היו טובים בפקטור38 מאלו שהתקבלו בשנת8131 . 83 . ביצועי אלגוריתמים במחקרים אקדמיים - מסקירת מחקרים אקדמיים עולה כי האלגוריתם המיטבי המפורט ב- [Yandong et al., 2016] מציג סיכויי זיהוי נכונים( TPIR ) של90.2% , עבור מאגר המכיל31,111 אנשים ותחום הזדקנות של4-1 שנים . כיוון שבמחקרים האקדמיים לא נהוג לקבוע ערך סף לציון בחינת ההשוואה במשימת זיהוי ,לא ניתן להעריך מהם ה- FNIR וה- FPIR זה לאלגוריתם , הייחוס למדדי ולהשוותם . המתואר האלגוריתם ב- [Yandong et al., 2016] ( כמו גם אלו במבחןNIST ) מבוסס עלDCNN ,ועל- כן נדרש לתהליך למידה מקדים שבו הוא מכויל על מנת להבדיל ביעילות בין תמונות של אנשים שונים . אופן ביצוע תהליך הלמידה משפיע על ביצועי האלגוריתמים. 88 . ביצועי אלגוריתמים במבחןNIST - מסקירת ביצועי האלגוריתמים במבחן הנוכחי שלNIST ( FRVT-Identification-2018 ) התקבל כי האלגוריתם המציג ביצועים מיטביים הואYitu_2 ________________________________ ________________________________ _________ 12 Deep Convolutional Neural Network - רשת נוירונים מלאכותית של מעבדים מקושרים , שבה כל מעבד מסוגל לבצע פעולה מתמטית פשוטה ,וכאשר הם נקשרים בכמות גדולה יחד מסוגלת הרשת להתנהגות מורכבת כגון למידת מכונה. מחצ"ב 31/13 31 בלמ"ס [NIST, 2018c] .ב טבלה3.3 שלהלן מוצגים ביצועי אלגוריתם זה עבור מאגר המכיל1 מיליון אנשים13 . טבלה3.3 : ביצועי אלגוריתםYitu_2 בשלב שני של מבחןNIST Yitu_2 N=3·106 14 FNIR ללא אפקט הזדקנות הזדקנות ממוצעת של 5 שנים ( בתחום6-4 שנים) הזדקנות ממוצעת של 81 שנים ( בתחום88-1 שנים) Rank-1 15 Rank-5 Rank-1 Rank-5 Rank-1 Rank-5 FPIR<0.001 1.12 --- --- --- --- --- FPIR=0.0015 1.183 1.183 > 1.12 1.12 > 1.31 1.11  FPIR=0.003 1.130 1.130 > 1.11 1.11 > 1.3 1.14  FPIR=0.027 1.133 1.133 > 1.18 1.18 > 1.12 1.12 > הסימן מציין הערכה התלויה בהנחות שונות(ראה פ ירוט בפ רק הרביעי). 81 . מניעת התחזות - מצאנו שאם במשימת זיהוי ישולב אלגוריתם העומד במדדי הייחוס ל- FPIR ו- FNIR ,אזי ברוב המקרים יותר מ- 92% מהניסיונות להתחזות יתגלו על- ידי ביצוע משימת זיהוי וההנפקה תיעצר .המקרה היחיד שבו לא יתגלה ניסיון ההתחזות הוא כאשר אדם מתחזה לאחר , והמאגר אינו מכיל את האמ צעים והנתונים הביומטריים של האדם המתחזה ושל האדם שאליו הוא מנסה להתחזות .במקרה כזה בחינה על- ידי משימת זיהוי לא תסייע במניעת ההתחזות (ההסתברות לאי-התאמה מוצדקת היא גבוהה מאוד) , ונדרשת פעילות סינון אחרת לצורך מניעת ההתחזות16. ________________________________ ________________________________ _________ 13 התוצאות המוצגות כאן אינן נגזרות ישירות מהנתונים שב- [NIST, 2018c] אלא מתוקנות בגין התפלגות המין המוטה במאגרNIST ( 00% גברים .)ראה פירוט לגבי חישוב הנתונים המופיעים בטבלה בפרק הרביעי להלן. 14 N מציין את כמות האנשים שבמאגר הנתונים. 15 Rank - במשימת זיהוי מדורגות התוצאות על-פי ציון ההשוואה בין התמונה הנבחנת ובין התמונות במאגר , כאשר ההתאמה הטובה ביותר מכונהRank-1 . נהוג להתייחס גם למספר תוצאות(מהטובה ביותר ומטה )על- ידיRank-# , למשל Rank-5 מתייחס ל-2 תוצאות ההתאמה הטובות ביותר שהתקבלו. 16 בעי ית ההתחזות בעת ההצטרפות הראשונה של אדם למאגר( להלן ההרכשה הראשונה )היא בעיה מוכרת , ורלוונטית לכל מאגר ביומטרי. בלמ"ס 31 מחצ"ב 31/13 מסקנות 81 . מהפרסומים ה נגישים שמּופו( מחקרים אקדמיים ומבחניNIST ) עולה כי האלגוריתמים המשתתפים במבחניNIST מציגים את הביצועים המיטביים למשימת זיהוי. 82 . ביצועי האלגוריתמים במבחןNIST משתפרים הן לאורך השנים והן משלב לשלב בתקופת מבחן נתונה . ביצועי אלגוריתמים שהשתתפו בשלב השני של מבחןNIST ב- 8131 מצי גים כבר כיום ביצועים קרובים מאוד למדדי הייחוס . צפוי שביצועי האלגוריתמים המיטביים ממבחןNIST (שלב שני )יהיו גבוהים עוד יותר אם ייבחנו על מאגר המכיל רק תמונות באיכות גבוהה17 , העומדות במאפייני הייחוס ,ואם במאגר תהיה יותר מתמונה אחת לכל אדם . 84 . שיפורי ביצועי האלג וריתמים- מצאנו כי ישנן שתי דרכים לשיפור ביצועי האלגוריתמים במשימת זיהוי :הוספת תיוגים לתמונות המאגר ושילוב בוחנים אנושיים: א. הוספת תיוגים- מצאנו כי ניתן לשפר את ביצועי האלגוריתמים על-ידי הוספת תיוגי גיל , מין ו ְת או מים לתמונות שבמאגר ,ושאילתות בדיקה פשוטות. לא מצאנו פרסומים שהעריכו את השיפור הכמותי הצפוי בעקבות הוספת תיוגים אלו , אך הבאנו דוגמאות למקרים שבהם הוספת תיוגים הייתה יכולה לסייע להפחתת השגיאות במשימת זיהוי; ב. שילוב בוחנים אנושיים- אחת הדרכים להקטין את שגיאת אי-ה התאמה ה מוטעית ( FNIR ) , היא להעלות את מספר ההתאמות המתקבל ות ממשימת ה זיהוי ( Rank ) . יחד עם זאת ,המשמעות של העלא ה זו( מעבר מ- Rank-1 ל- Rank גבוה יותר ) היא שכמענה למשימת זיהוי יכולה לה תקבל סדרת התאמות שאותה צריך לבחון בוחן אנושי ו/ או אלגוריתם אימות למציאת ההתאמה הנכונה .מצאנו בפרסומים התייחסות לביצ ועים שמציגים בוחנים אנושיים שונים : מומחים פורנזיים( מומחים בזיהוי פנים לצרכים פליליים) ,מבחיני- על(אנשים בעלי כישרון טבעי מולד לזיהוי פנים ) ועובדים ללא מומחיות בזיהוי פנים(יוצגו במחקרים על-ידי סטודנטים .)כמו- כן מצאנו התייחסות להיתוך תוצאות הערכת הבוחנים ה אנושיים עם בוחנים אנושיים אחרים או עם אלגוריתמים לאימות .מממצאים אלו גזרנו המלצות לשילוב בוחנים ,שיפורטו להלן. המלצות 80 . מומלץ לבחון בפועל את ביצועי מערכת הזיהוי של המאגר הביומטרי הישראלי , אל מול מדדי הייחוס לתקופות הזדקנות שונות. 81 . אם יוחלט על מעבר לאלגוריתם מ תקדם יותר במאגר הביומטרי(למשל בגלל אי- שביעות רצון ממידת עמידתו במדדי הייחוס הכמותיים) , מומלץ שאלגוריתם זה יהיה אחד מהמובילים במבחניNIST ( למשלFRVT-Identification-2018 ) , בפרט לאור הבחינה ההשוואתית המקיפה שמבצעNIST . ________________________________ ________________________________ _________ 17 אין פירוט מלא של התפלגות איכות התמונות במאגרNIST , אך ידוע כי הוא כולל גם תמונות חופשיות מאילוצים( שבהן מישור הפנים אינו ניצב למצלמה ו/או תאור ה שאינה אחידה) ,וכאלו שצולמו על-ידי מצלמות רשת ברזולוציה נמוכה. מחצ"ב 31/13 32 בלמ"ס 89 . ישנם מספר כללי אצבע ש חשוב להתייחס אליה ם כאשר בוחרים אלגוריתם ( הם לרוב ייחודיים לאלגוריתם): א. בחירה באלגוריתם שהתכונות שלו מביאות ל- FNIR נמוך יותר ככל שמספר התמונות לכל אדם במאגר עולה(כתוצאה מכך עולה גם המספר הכללי של התמונות במאגר .) חשוב להקפיד שלא מתקבלת עלייה דרמטית ב- FPIR ,במקביל לירידה ב- FNIR , ככל ששומרים יותר תמונות של אותו אדם במאגר .אם האלגוריתם עומד בדרישות אלו , אזי מומלץ גם לשמור במאגר את כל התמונות שנאספות(יותר מתמונה אחת לאדם )על- מנת לשפר את הביצועים במשימת זיהוי; ב. בחירה באלגוריתם שמידת העל י יה ב- FNIR בעקבות הזדקנות נמוכה יותר מאשר א לגוריתמים מתחרים; ג. אם תתקבל החלטה על שילוב בוחנים אנושיים בתהליך של משימת זיהוי , יש לבחור באלגוריתם המציב את ההתאמה הנכונה קרוב ככל הניתן ל- Rank-1 ; ד. בחירה באלגוריתם שמקורו הגיאוגרפי אינו משפיע על ביצועיו - חלק מהאלגוריתמים מציגים ביצועים גבוהים יותר כאשר הם בוחנים תמונות של אנשים שמקורם הגיאוגרפי מתאים למקור האלגוריתם . 11 . תהליך הלמידה של האלגוריתם : א. מומלץ כי תהליך הלמידה יבוצע עם תמונות מהמאגר הביומטרי , תוך הקפדה על ייצוג מתאים בהתאם להתפלגות המין ,הגיל והמוצא האתני במאגר .להערכתנו , ביצוע תהליך למידה כזה יביא לשיפור משמעותי בביצועי האלגוריתם; ב. ככל שביצועי המחשבים משתפרים ,מומלץ להעלות את מספר התמונות בתהליך הלמידה . ככל שמספר התמונות בתהליך הלמידה יהיה גדול יותר , כך צפוי שישתפרו ביצועי האלגוריתם במשימת זיהוי . 13 . תמונות המאגר- לאיכות התמונה במאגר יש השפעה על ביצוע י אלגוריתם הבדיקה . מומלץ להמשיך ולהקפיד על איכות התמונות במאגר ,לרבות :רזולוציית צילום גבוהה , אחידות זווית הפנים והתאורה , היעדר הבעות פנים חריגות והיעדר אלמנטים מסתירים(לדוגמה כובע .) הקפדה זו יכולה להביא לביצועים טובים יותר מאלו המפורטים במחקרים אקדמיים ו אף במבחניNIST , שבהם חלק מהתמונות במאגר אינן מוקפדות. 18 . מומלץ להוסיף תיוגי מין , תיוגי גיל(גם אם לא תאריך מדויק ) וציון תאומים( לרבות שלישיות רביעיות וכדומה )לתמונות המאגר .הוספת תיוגים ושאילתה פשוטה לגביהם יכולה למנוע טעויות רבות ולשפר את ביצועי המערכת( Rank-1 .) הוספת תיוגים תסייע מאוד גם להורדת היקף העבודה של בוחנים אנושיים(במקרה שיוחלט לעבור ל- Rank גבוה מ-3 .) בלמ"ס 34 מחצ"ב 31/13 11 . אם יוחלט לעבור ל- Rank גדול מ-3 ולשלב בוחנים אנושיים במשימת זיהוי ,אזי: א. מומלץ לבצע היתוך של תוצאות אלגוריתם מוביל לאי מות עם תוצאות של בוחנים אנושי ים; ב. מומלץ להעדיף העסקת מבחיני- על(או מומחים פורנזיים )על- פני עובדים שאינם מומחים כאלו . ייתכן שהיתוך תוצאות אלגוריתם אימות עם תוצאות הערכת עובדים שאינם מומחים עלול שלא להביא לביצועים העומדים במדדי הייחוס . 11 . מומלץ לבצע עדכון לממצאים ולהמלצות המפורטים בתסקיר ז ה , לאחר סיום מבחןFRVT- Identification-2018 ופרסום הדו" ח המסכם שלNIST . מחצ"ב 31/13 30 בלמ"ס פרק שני הגדרות ומדדים כללי 3. בפרק זה מפורטות הגדרות למושגים שבהם נעשה שימוש בעבודה הנוכחית . לחלק מהמושגים מצאנו הגדרות מספקות ב-[מדינת ישראל , 8133 ] (להלן הצו) ,והעתקנו אותן לכאן . לחלק גדול מהמושגים לא מצאנו הגדרות בצו ,או שמצאנו בצו הגדרות שגויות ,ועל- כן פירטנו כאן את ההגדרות באופן מלא. הגדרות 8. "משימת זיהוי" 1 - בחינת אמצעים או נתו נים ביומטריים שניטלו מתושב נבחן אל מול כל האמצעים או הנתונים הביומטריים הכלולים במאגר . תוצאת משימת זיהוי היא אמצעים או נתונים ביומטריים של תושב מהמאגר( נהוג לכנותוRank-1 ) , שעבורו מצאה המערכת זהות מרבית לאמצעים או ל נתונים הביומטריים של התושב הנבחן . לעיתים מוכנים לקבל שתוצאת משימת זיהוי תכלול מספר תושבים מהמאגר , כאשר מידת הזהות בינם ובין התושב הנבחן הולכת ופוחתת(בדרך כלל מועברות להמשך בחינה אנושית .)למשל ,כאשר מתייחסים ל- Rank-5 , הכוונה היא ל-2 תושבים מכלל המאגר שהאמצעים או הנתונים הביומטריים שלהם נמצאו דומי ם ביותר לאמצעים או לנתונים הביומטריים של התושב הנבחן. 1. "התאמה" 3 - מצב במשימת זיהוי שבו מידת הזהות בין האמצעים או הנתונים הביומטריים שניטלו מתושב נבחן אל מול אמצעים או נתונים ביומטריים מהמאגר היא מעל ערך סף ( Threshold .) 1. "אי-התאמה" 3 - מצב במשימת זיהוי שבו מיד ת הזהות בין האמצעים או הנתונים הביומטריים שניטלו מתושב נבחן אל מול אמצעים או נתונים ביומטריים מהמאגר היא מתחת לערך סף. 2. החלטות אפשריות של מערכת ביומטרית- נגדיר להלן אפשרויות שונות של מענה המערכת הביומטרית ל"משימת זיהוי" , ואת הקיצורים הלועזיים ש בהם נעשה שימ וש בגוף המסמך: א. "התאמה מוצדקת" 3 - מצב שבו תוצאת משימת זיהוי הראתה התאמה בין אמצעי ם או נתונים ביומטריים שניטלו מתושב נבחן , לבין ה אמצעים או ה נתונים ה ביומטריים שלו הכלולים במאגר ( True Positive Identification ) . המונח המשמש לתיאור ההסתברות (שיעור - Rate ) להתאמה מוצדקת במשימת זיהוי הוא TPIR ; ________________________________ ________________________________ _________ 1 לא נמצאה הגדרה בצו .הגדרנו כאן בהתאם לניסוחים ולמונחים המופיעים בצו. בלמ"ס 31 מחצ"ב 31/13 ב. "אי-התאמה מוצדקת" 3 - מצב שבו תוצאת משימת זיהוי הראתה אי- התאמה בין אמצעים או נתונים ביומטריים שניטלו מתושב נבחן , לבין האמצעים או הנתונים במאגר הכלולים הביומטריים , כולל שאינו ה את תושב הנבחן ( True Negative Identification .) המונח המשמש לתיאור ההסתברות(שיעור - Rate ) לאי- התאמה מוצדקת במשימת זיהוי הואTNIR ; ג. "התאמה מוטעית" 2 - מצב שבו תוצאת משימת זיהוי הראתה התאמה בין אמצעי ם או נתונים ביומטריים שניטלו מתושב נבחן , לבין אמצעים או נתונים ביומטריים של תושב אחר הכלולים במאגר( False Positive Identification ) . המונח המשמש לתיאור ההסתברות ( שיעור- Rate ) להתאמה מוטעית במשימת זיהוי הואFPIR ; ד. "אי-התאמה מוטעית" 3 - מצב שבו תוצאת משימת זיהוי הראתה אי- התאמה בין אמצעי ם או נתונים ביומטריים שניטלו מתושב נבחן ,לבין האמצעים או הנתונים הביומטריי ם שלו הכלולים במאגר ( False Negative Identification ) . המונח המשמש לתיאור ההסתברות (שיעור - Rate )לאי- התאמה מוטעית במשימת זיהוי הוא FNIR . 4. "עצירת הנפקה" 3 - החלטה על עצירת תהליך הנפקת מסמך המכיל אמצעים ונתונים ביומטריים , בעקבות גילוי חריגה .נגדיר להלן את החריגות המביאות לעצירת הנפקה ב"משימת זיהוי" : א. אי- התאמה(מוטעית ) של אמצעים או נתונים ביומטריים שניטלו מתושב תמים אל מול האמצעים והנתונים הביומטריים שלו הכלולים במאגר ( FNIR ); ב. אי- התאמה(מוצדקת ) של אמצעים או נתונים ביומטריים שניטלו ממתחזה אל מול האמצעים והנתונים הביומטריים של הזהות שהוא טוען לה, הכלול ים במאגר ( TNIR ); ג. התאמה(מוטעית ) של אמצעים או נתונים ביומטריים שניטלו מתושב תמים אל מול אמצעים ונתונים ביומטריים של ת ושב אחר הכלולים במאגר( FPIR ); ד. התאמה(מוצדקת ) של אמצעים או נתונים ביומטריים שניטלו ממתחזה אל מול אמצעים ונתונים ביומטריים של תושב אחר במאגר , שאינו הזהות שהמתחזה טוען לה ( TPIR .) 0. "הרכשה כפולה" 4 - "מצב שבו יש התאמה בין אמצעים או נתונים ביומטריים של תושב , לבין אמצעים או נתונים ביומטריים של תושב אחר , בבדיקה מול האמצעים והנתונים הביומטריים הכלולים במאגר , בשינויים המחויבים לפי אופני בדיקות הזיהוי המפורטים בסעיף1א" (בצו.) ________________________________ ________________________________ _________ 2 תוכן ההגדרות זהה לכתוב בצו ,עם עדכוני ניסוח למשימת זיהוי בלבד . 3 נראה כי נפלה טעות בהגדרת"אי-התאמה מוטעית "המפורטת בצו. 4 כפי שהוגדר בצו . מחצ"ב 31/13 39 בלמ"ס 1. "ניסיון להתחזות בזהות כפולה" 3 - מצב שבו מתחזה מנסה להציג אמצעים או נתונים ביומטריים שלו כמתאימים לזהות תושב אחר , או אמצעים או נתונים ביומטריים של תושב אחר כמתאימים לזהותו של המתחזה . מדדי ייחוס בצו 9. בהתייחס למשימת אימות ,מוגדרים ה מדדים הבאים( דרישות31 (.א )ו- 31 (.ב )בצו): א. קבלה מוטעית ( FMR ) - שיעור שגיאות של לא יותר מקבלה מוטעית אחת לכל31,111 נטילות; ב. דחייה מוטעית ( FNMR ) - לא יותר מדחייה מוטעית אחת לכל311 נטילות. 31 . בהתייחס למשימת זיהוי ,מוגדרים ה מדדי ם הבאים( דרישה31 (.ג )בצו): א. אי- התאמה מוטעית( FNIR ) - לא יותר מאי- התאמה מוטעית אחת לכל81 נטילות; ב. התאמה מוטעית( FPIR ) - שיעור השגיאות מסוג התאמה מוטעית תלוי בגודל המאגר כדלהלן: 3) לא יותר מהתאמה מוטעית אחת לכל31,111 נטילות עבור מאגר המכיל מאה אלף רשומות; 8) לא יותר מהתאמה מוטעית אחת לכל3,111 נטילות עבור מאגר המכיל מיליון רשומות; 1) לא יותר מהתאמה מוטע ית אחת לכל311 נטילות עבור מאגר המכיל31 מיליון רשומות. 33 . בהתייחס ל התמודדות עם מתחזים דורש הצו ש יותר מ- 92% המ ניסיונות ל התחזות יתגלו , ותיעצר ההנפקה של מסמכי הזיהוי ( דרישה31 (.ד )בצו .) מונחים לועזיים 38 . להלן רשימת מונחים לועזיים שבהם אנו עושים שימוש בעבודה זו: א. Rank - במשימת זיהוי מדורגות התוצאות על- פי ציון ההשוואה בין התמונה הנבחנת ובין התמונות במאגר , כאשר ההתאמה הטובה ביותר מכונהRank-1 . נהוג להתייחס גם למספר תוצאות(מהטובה ביותר ומטה )על- ידיRank-# , למשלRank-5 מתייחס ל-2 תוצ אות ההתאמה הטובות ביותר שהתקבלו; בלמ"ס 81 מחצ"ב 31/13 ב. Probe - דגימה ביומטרית עדכנית , בה ייעשה שימוש לצורך השוואה לדגימה ביומטרית מוקדמת לייחוס(במשימת אימות) , או להשוואה למאגר המכיל דגימות ביומטריות רבות (במשימת זיהוי); ג. Gallery - דגימה ביומטרית שנאספה בתנאים מבוקרים כדי ליצור רשומה קבועה של מידע ביומטרי , שאליה מושווית דגימה ביומטרית עדכנית( probe )במשימת אימות . במשימת זיהוי תהיה ה- Gallery אוסף כל הדגימות הביומטריות שנאספו בתנאים מבוקרים ושמהם נוצרו רשומות קבועות של מידע ביומטרי במאגר; ד. Wild - כינוי לתמונת פנים ללא אילוצים ,כגון :מישור פנים ניצב למצלמה ,תאור ה אחידה , היעדר אלמנטים מסתירים(כובע ,צעיף וכדומה .) נוסף לכך ייתכן כי רזולוציית תמונה כזו תהיה נמוכה יחסית למאפייני הייחוס ; ה. DCNN ( Deep Convolutional Neural Network ) - רשת נוירונים מלאכותית של מעבדים מקושרים , שבה כל מעבד מסוגל לבצע פעולה מתמטית פשוטה ,ו כאש ר הם נקשרים בכמות גדולה יחד, מסוגלת הרשת להתנהגות מורכבת כגון למידת מכונה; ו. עקומתROC ( Receiving Operating Characteristics ) - גרף שמסכם את כל זוגות הערכים האפשריים של ה- FMR וה- FNMR , שמתקבלים כאשר משנים באופן רציף את סף ההחלטה מערכ ו הנמוך ביותר לערכ ו המרבי (ציר ה- X של ה- ROC מייצג את ה- FMR , וציר ה- Y שלו מייצג את ה- FNMR .)בהקשר של מערכות ביומטריות , גודל השטח שמתחת לגרף ה- ROC מהווה מדד ליכולת המערכת להפריד בין נבדקים אמיתיים לנבדקים מתחזים [ממן וגופר , 8130 ]; ז. MugShots - תמונות של עצורים .תמונות אלו מכילות לרוב את פלג הגוף העליון והפנים , זווית הצילום בהן היא לרוב ניצבת למישור הפנים ,ותנאי התאורה הם טובים מאוד . ברוב התמונות ישנה הקפדה על העדר הבעות פנים ,אך בחלק קטן מהן יש הבעות פנים קיצוניות. מחצ"ב 31/13 83 בלמ"ס פרק שלישי ביצועי אלגוריתמים במחקרים אקדמיים כללי 3. פרק זה מציג את הביצועים המיטביים של האלגוריתמים שפורטו במחקרים אקדמיים העוסקים בביצוע משימת זיהוי על-ידי תמונות פנים . בתחילת הפרק נפרט על מאגרי הנתונים המשמשים במחקרים אקדמיים ועל המשמעויות של שימוש בהם . בהמשך נסביר את תהליכי למידת המכונה המשמשים במשימת זיהוי . לבסוף נסקור את האלגוריתם האקדמי המציג את הביצועים המיטביים שנמצאו בסקירתנו ובסקר ספרות אקדמי נוסף(בלתי תלוי בעבודה זו.) לצורך מציאת האלגור יתם האקדמי המיטבי ,וגזירת תובנות לגבי עבודות אקדמיות , סקרנו עשרות מאמרים אקדמיים(ראה רשימ ת המאמרים המלאה ב-[בילט , 8131 ].) מאגרי נתונים במחקרים אקדמיים 8. סקירה של מאגרי התמונות והמידע(להלן :מאגרי נתונים) , המשמשים במחקרים אקדמיים מפורטת בנספח א' .ב טבלה1.3 שלהלן מסוכמים המאפיינים העיקריים של מאגרי הנתונים במחקרים האקדמיים . 1. נפרט להלן את המשמעויות העיקריות של שימוש במאגרי הנתונים האקדמיים וכן תובנות רלוונטיות להשלכת ביצועי האלגוריתמים במחקרים אקדמיים על ביצועים צפויים בבחינת תמונות במאגר ביומטרי: א. מאגריMORPH 1 - איסוף התמונות והמידע לצורך בניית מאגריMORPH הוא סדור ושיטתי. הוא מתאים באופן עקרוני לבניית מאגר ביומטרי ,בפרט בשל ה הקפדה על תיעוד תאריכים(לידה וצילום) ,זוויות צילום ניצבות למישור הפנים ותאורה אחידה. מסיבה זו הפכו מאגרים אלו , ובפרט מאגריMORPH-II ,ל אמת- מידה ל בחינת אלגוריתמים של אימות וזיהוי פנים .יחד עם זאת , במאגריMORPH יש מספר הטיות מהותיות אל מול ההתפלגויות הנורמליות באוכלוסייה .למשל , המאגרים מכילים אחוז גבוה מאוד של גברים , אחוז גבוה מאוד של אפרו-אמריקנים והתפלגות גיל שונה מ אוכלוסייה כללית . פיתוח ובחינת אלגוריתמים למשימות אימות וזיהוי , כאשר ההתמקדות היא במאגר מעין זה ,עלולים להביא להטיית תוצאות הביצועים בעת שייבחנו על מאגר עם התפלגויות נורמליות של מין ,מוצא אתני וגי ל. לכן נראה כי צפוי קושי להשליך מביצועי אלגוריתמים הנבחנים על מאגר זה , לגבי הביצועים שלהם על מאגר נתונים עם מאפייני ייחוס( כפי שפורטו בסעיף39 בפרק הראשון.) ________________________________ ________________________________ _________ 1 ישנם שלושה מאגרים– MORPH-I , MORPH-II (אקדמי )ו- MORPH-II (מסחרי) בלמ"ס 88 מחצ"ב 31/13 טבלה1.3 :סיכום מאפייני מאגרי הנתונים במחקרים אקדמיים שם מאגר הנתונים מס ' תמונות מס ' האנשים ממוצע מס ' תמונות לאדם גילאי האנשים [שנים] תחום הזדקנות [שנים ] MORPH-I ( 8991-8968 ) 8111-3011 650-500 1 41-32 89-1.382 MORPH-II אקדמי ( 8112-8111 ) 55,000 13,000 4 00-34 1.4-1 ( ממוצע- 1.2 ) MORPH-II מסחרי ( 8111 והלאה) 155,000 36,000 4.4 01-32 0.32-1 ( ממוצע– 1.4 ) CACD 160,000 2000 82 40-81 31-1 FG-NET 1,000 80 12 49-1 45-0 LFW 13,000 5750 2.3 --- --- CASIA-Webface 211,111 31,211 11 --- --- ב. מאגרCACD - מאגר נתונים זה הפך גם הוא ל אמת- מידה למדידת ביצועי אלגוריתמים של אימות וזיהוי .נראה כי נכון להיום , זהו מאגר הנתונים הגדול ביותר המכיל תמונות של אותם אנשים שנלקחו ונאספו לאורך השנים בצורה שיטתית לצורך בחינת אפקטי הזדקנות . גם מאגר נתונים זה סובל מהטיה אל מול ההתפלגות הנורמלית של אוכלוסייה רחבה( מעל91% לבנים ,ללא תינוקות ,ילדים ,נוער וזקנים .)נוסף לכך , רובם המוחלט של הידוענים הם בעלי תווי פנים אופייני ים (הנחשבים יפים בחברה מערבית). על-כן, גם מאגר נתונים זה עלול להציג תוצאות מוטות- ביצועים טובים מאוד למוצא אתני מערבי עם תווי פנים ייחודיים לעומת ביצועים מופחתים בבחינת אוכלוסייה רחבה . מצד שני יש לזכור כי התמונות שב מאגר נתונים זה סובלות מתנאי תאורה משתנים ו מכך שאין הקפדה שמישור הפנים בתמונה יהיה ניצב למצלמה(זווית צילום) , כפי שמקובל בתמונות של מאגרים ביומטריים .ייתכן כי אלגוריתמים המציגים תוצאות טוב ות בבחינה על מאגר נתונים זה מחצ"ב 31/13 81 בלמ"ס יציגו תוצאות טובות עוד יותר כאשר ייבחנו עם תמונות ש בהן תנאי התאורה וזוויות הצילום הם מיטביים ואחידים. ג. מאגרFG-NET - מאגר נתונים זה הפך גם הוא ל אמת- מידה למדידת ביצועי אלגוריתמים של אימות וזיהוי , בעיקר לכאלו הבוחנים את השפעת אפקט ההזדקנות על ביצועי האלגוריתמים . סביר כי אלגוריתמים המציגים ביצועים טובים על תמונות ממאגר זה יציגו ביצועים טובים אף יותר כאשר ייבחנו עם תמונות ש בהן תנאי התאורה וזוויות הצילום הם מוקפדים בהתאם לנדרש ב מאגר ביומטרי. ד. מאגרLFW - מחקרים רבים בוחנים את ביצועי האלגוריתמים שלהם במשימות זיהוי ואימות גם על מאגר זה .לרוב, הביצועים נמוכים מאוד לעומת ביצועי האלגוריתמים על מאגרים ש בהם יש הקפדה רבה יותר על איכות התמונות(זוויות צילום ותאורה) . בחינה זו נעשית כיוון שהיא מהווה מדד לאפשרות לבצע משימה ,למשל זיהוי, כאשר התמונה הנבחנת צולמה ללא אילוצים(למשל תמונה ממצלמת מעקב .) סביר כי אלגוריתמים שפותחו לבחינת תמונות ללא אילוצים , יציגו ביצועים טובים יותר כאשר ייבחנו על תמונות עם אילוצים .מאגר זה אינו מאפשר בחינה של אפקט ההזדקנות , כיוון שהוא אינו מכיל מעקב גילאים של ה אנשים בתמונות השונות. רשתות נוירונים ולמידת מכונה 1. במסגרת העבודה הנוכחית מיפינו עשרות מחקרים אקדמיים המפרטים אלגוריתמים שונים לביצוע משימות אימות וזיהוי .התמקדנו במחקרים העדכניים יותר , שבהם הוצגו הביצועים הטובים ביותר . 2. בשנים האחרונות הושגה קפיצת מדרגה בביצועי האלגוריתמים לאור המעבר מניתוח גיאומטרי של תווי הפנים(למשל מרחקים בין איברי הפנים :עיניים ,אף ,פה ,אוזניים וכדומה ) לעיבוד תמונה משולב בתהליכי למידת מכונה . אלגוריתמים עדכניים כיום עושים שימוש בתהליך כזה הנקראDCNN ( Deep Convolutional Neural Network .) 4. רשת נוירונים(או רשת קשרית ) היא מודל מתמטי חישובי שפותח בהשראת תהליכים קוגניטיביים המתרחשים ברשת עצבית טבעית(למשל מוח האדם .) רשת עצבית טבעית בנויה ממספר עצום של מרכיבים(כ- 3133 ) , שכל אחד מהם מחובר למרכיבים סמוכים( 31,111-3,111 חיבורים למרכ יב .) כל אחד ממרכיבים אלו מסוגל לבצע חישוב פשוט ובאיטיות יחסית( בקצב שנמוך מ-3 קילוהרץ) ,אך בעת ביצוע כמויות גדולות של חישובים פשוטים במקביל , מתקבלת יכולת קוגניטיבית ,אם-כי האופן שבו מתקבלת יכולת זו אינו מובן כולו כיום. 0. רשת נוירונים מלאכותית היא רשת של מעבד ים מקושרים , אשר בה- בדומה לרשת הטבעית- כל מעבד מסוגל לבצע פעולה מתמטית פשוטה , וכאשר הם נקשרים בכמות גדולה יחד מסוגלת הרשת להתנהגות מורכבת כגון למידת מכונה( Machine Learning .) בלמ"ס 81 מחצ"ב 31/13 1. רשתות נוירונים בנויות משכבות שונות : שכבת הקלט(השכבה הראשונה) , שכבות אמצעיות (ש כבות חבויות ) ושכבת הפלט(השכבה האחרונה .) כל אתר(או צומת ) בשכבות השונות מחובר באמצעות נוירונים(פעולה מתמטית פשוטה )ל אתרים ב שכבות הסמוכות לו , כאשר אופן ומספר החיבורים משתנה בהתאם למודל הנדרש .לרוב, ברשתותDCNN שמטרתן לזהות תמונות , החיבורים בין ה אתרים יהיו מקומיי ם וזאת על- מנת לדמות את פעילות הרשת העצבית בעין האנושית ,שבה מרכיבים סמוכים מקושרים לצורך זיהוי התמונה המתקבלת על הרשתית . כאמור ,כל האתרים שבשכבות מחוברים על-ידי נוירון לשכבות הסמוכות , ולכל חיבור כזה מוגדרת משק ול ת הקובעת את מידת רלוונטיות המידע העובר דרך הנוירון .המשקולות הללו הן אלו שקובעות את תצורת הפלט , ומטרת הרשת היא להשיג כוונון נכון של המשקולות לצורך קבלת התוצאה הרצויה בשכבת הפלט . 9. אחד מאלגוריתמי למידת המכונה המקובלים ביותר הוא מנגנון"חלחול לאחור( " Back- Propagation ) ,אשר מבצע את השוואת הפלט המת קבל עם הפלט הרצוי , ומתקן את המשקולות לצורך הקטנת השגיאה .אם תיקוני המשקולות נעשים בשיעור קטן מספיק , עולה הסיכוי שהרשת תתכנס לשגיאה קטנה כזו שתספק את המענה הרצוי. 31 . אלגוריתמיDCNN ,המשמשים למשימת זיהוי פנים ,נבנים באופן דומה למתואר לעיל , כאשר כשכבת הקלט מתקבל ת תמונת האדם(או עיבוד של תמונת המקור )כמטריצת נתונים , וכפלט מתקבל וקטור שבו מקודדות תכונות שונות של שכבת הקלט . מטרת הרשת היא להגיע למצב שבו וקטורים המייצגים את אותו אדם יהיו זהים ככל הניתן , ואילו וקטורים של אנשים שונים יהיו שונים זה מזה ככל הניתן ,וגם שונ ים ככל הניתן מכל שאר הווקטורים המייצגים אנשים אחרים. 33 . לצורך כך מתבצע תהליך כוונון ארוך של המשקולות ברשת , הנקרא גם תהליך האימון של הרשת .כיום תהליך הלמידה ,עם מעבדים חזקים מאוד ,אורך ימים בודדים . זמן זה נדרש לצורך התכנסות למצב שבו השגיאות בהתאמת ובהבדלת הווק טורים עומדות בדרישות המפעיל . לצורך תהליך האימון מוכנסות לרשת תמונות שונות של אותו אדם( ומוגדר לה כי אֵ ילו תמונות של אותו אדם) ,וכן תמונות שונות של אנשים שונים .על- ידי תהליך למידת מכונה( למשל" חלחול לאחור)" ,מכוונות המשקולות ברשת ליצירת וקטורים דומים עבור א ותו אדם ושונים עבור אנשים אחרים . בסופו של התהליך מתקבל סט הפעולות המתמטיות(והמשקולות שלהן ) שיש להפעיל על תמונות המקור לקבלת הווקטורים שבהם יעשה שימוש במשימת זיהוי . לעומת תהליך הלמידה הארוך , הפעלת הפעולות המתמטיות לקבלת הווקטור מתמונת המקור( לאחר שנקבעו המ שקולות ) היא פעולה מהירה מאוד( עשרות עד מאות מילישניות[NIST, 2018] .) גם תהליך השוואת הווקטור הנבדק אל מול הווקטורים הכלולים במאגר הנתונים הנו מהיר מאוד (מילישניי ה עד שניות בודדות ,עבור משימת זיהוי במאגר של מיליון תמונות ) [NIST, 2018] . מחצ"ב 31/13 82 בלמ"ס ה אלגוריתם ה אקדמי המציג תוצאות מיטביות 38 . כאמור ,סקרנו עשרות מאמרים אקדמיים בתחום ביצועי אלגור יתמים לזיהוי פנים . מהסקירה עולה כי הביצועים הטובים ביותר במחקרים אקדמיים של אלגוריתם למשימת זיהוי הם אלו המפורטים ב- [Yandong et al., 2016] . נראה גם כי זה אחד המחקרים הראשונים שמטרתו הייתה להעלות את ביצועי האלגוריתם לאור אפקטים של תהליך ההזדקנות ,על- ידיDCNN . 31 . הנחת המחקר . הנחת המחקר היא שישנם מאפיינים בתווי הפנים אשר אינם משתנים בתהליך ההזדקנות, אף- כי אינם מוכרים וידועים מראש לחוקרים( Latent Factors .)כיוון שכך, החוקרים אינם מגדירים את המאפיינים ה ללו מראש ,אלא מאפשרים לתהליך למיד ת המכונה לבחון אותם באופן עצמאי. 31 . שיטת המחקר .על-מנת לבחון את הנחת המחקר , השוו החוקרים את הביצועים של אלגוריתם המבוסס על תהליךCNN סטנדרטי אל מול הביצועים של אלגוריתם ייחודי( גם הוא מבוסס CNN ) , המשלב למידה של מאפיינים לא ידועים( Latent Factors ) - LF-CNN . 32 . מודל ה- CNN הסטנדרטי נבנה מ-2 שכבות בדומה למחקרים אחרים .לעומת זאת , לצורך מיפוי המאפיינים שאינם משתנים בהזדקנות נבנה מודל מורכב יותר- מודלLF-CNN . במודל זה שולב תהליךCNN סטנדר טי וב מקביל לו תהליךCNN נוסף . התהליך הנוסף מקבל את המשקולות של שכבות הביניים מ מודל ה- CNN הסטנדרטי ,ומוסיף שכבה נוספת עם משקולות ייחודיות עבורה שמטרתה להעצים את המאפיינים שאינם משתנים עם הגיל . 34 . החוקרים בחנו את הביצועים של האלגוריתמים הנ"ל בשלוש דרכים שונות: א. מודלCNN סטנדרטי- למידה על תמונות שאינן חלק מ מאגר הנתונים שעליו נבחנים; ב. מודלCNN סטנדרטי- למידה על תמונות מ מאגר הנתונים(ה תמונות ששימשו ל למידה הוצאו מ מאגר ה מבחן); ג. מודלLF-CNN - למידה על תמונות מ מאגר הנתונים(ה תמונות ששימשו ל למידה הוצאו מ מאגר ה מבחן). 30 . החוקרים ביצעו תהליכי למידה( CNN סטנדרטי ) על מאגרי הנתונים הבאים : CACD , CASIA-WebFace , Celebrity+ 2 . לצורך תהליך הלמידה של אפקט ההזדקנות ב מודלLF-CNN השתמשו החוקרים ב תמונות ממ אגרMORPH-II . החוקרים בחנו את ביצועי האלגוריתמים שלהם על מאגר י הנתונים הבאים : MORPH-II ( משימת זיהוי), FG-NET ( משימת זיהוי) , CACD ( משימת אימות), LFW ( משימת זיהוי- מידול ראשוני לצורך הוכחת יכולת .) ________________________________ ________________________________ _________ 2 Celebrity+ הוא מאגר תמונות(ללא אילוצים )של סלבריטאים שנאסף מהאינטרנט , אך אינו כולל מידע משלים לגבי מועד התמונה ומשמש בעיקר לתהליך למידה של אלגוריתמיDCNN . בלמ"ס 84 מחצ"ב 31/13 31 . תוצאו ת המחקר .תוצאות המחקר הן (ראה סיכום התוצאות ב טבלה1.8 ש להלן): א. משימת זיהוי על מאגרMORPH-II - תהליך ה למידה בוצע על81,111 תמונות של31,111 אנשים( לכל אחד8 תמונות- ה ישנה ביותר והעדכנית ביותר .) תהליך הבחינה בוצע על 31,111 אנשים אחרים ,כאשר התמונה במאגר הייתה ה ישנה ביותר , והתמונה הנבחנת הייתה העדכנית ביותר. תחום ההזדקנות הרלוונטי למאגר זה הוא4-1 שנים. להלן התוצאות שהתקבלו: 3) מודלCNN סטנדרטי( למידה לא עלMORPH-II ) - ההסתברות לזיהוי נכון( TPIR שלRank-1 ) היא19.0% . אלו ביצועים נחותים הן מול ביצועי אלגוריתמים ב מחקרים קודמים( שחלקם אינו כוללCNN ) , והן מול ביצועי האלגוריתם שלהם שעבר תהליך למידה על תמונות מתוך המאגר אשר עליו הוא נבחן; 8) מודלCNN סטנדרטי( למידה עלMORPH-II ) - ההסתברות לזיהוי נכון היא כ- 92.3% .תוצאה זו מעט ט ובה יותר בהשוואה למחקרים אקדמיים אחרים בספרות; 1) מודלLF-CNN ( למידה עלMORPH-II ) - ההסתברות לזיהוי נכון היא כ- 90.2% . הכותבים טוענים שתוצאה זו טובה יותר מהתוצאות שהתקבלו במחקרים אחרים ומציבה רף חדש לביצועים. ב. משימת זיהוי על מאגרFG-NET - לא מצאנו במאמר פירוט לגבי תהליך הלמידה , ולכן סביר כי בוצע באופן דומה ל מבחן הקודם( המבחן על מאגרMORPH-II ) . תחום ההזדקנות הרלוונטי למאגר זה הוא12-1 שנים .להלן התוצאות שהתקבלו : 3) מודלCNN סטנדרטי - ההסתברות לזיהוי נכון היא כ- 11.1% ; 8) מודלLF-CNN - ההסתברות לזיהוי נכון היא כ- 11.3% . 39 . כיוון שמאגרFG-NET מכיל הרבה תמונות לכל אדם , בחתך גילאים רחב( 49-1 שנים) , נבחנו ביצועי האלגוריתמים וללה בהתאם ל גיל התמונה הנבדקת . נציין כאן את התוצאות של ההסתברות לזיהוי של ילדים ושל מבוגרים: א. זיהוי ילדים( 34-1 ) - ההסתברות לזיהוי נכון של מודלCNN סטנדרטי היא כ- 04.2% , ושל מודלLF-CNN היא כ- 13.1% . אלו הסתברויות נמוכות מאוד המעידות על קושי אמיתי בזיהוי בחתך גיל זה . עיקר הקושי נובע משינויים פיזיים גדולים מאוד בפנים בתחום הגיל 1-1 שנים ( TPIR=60% ), כאשר הביצועים לתחום זה נח ותים באופן משמעותי מהביצועים ל תחו מי הגיל31-2 ( TPIR=88.5% )ו- 34-33 שנים ( TPIR=94% ); מחצ"ב 31/13 80 בלמ"ס ב. זיהוי מבוגרים( 49-30 ) - ההסתברות לזיהוי נכון של מודלCNN סטנדרטי היא כ- 94.9% , ושל מודלLF-CNN היא כ- 91.0% . עיקר התרומה להסתברות הגבוהה מגיעה מתחום הגילאים49-82 ,בו ש ההסתברות לזיהוי נכון היא מעל99% . 81 . טבלה1.8 ש להלן מסכמת את ביצועי האלגוריתם המתואר ב- [Yandong et al., 2016] : טבלה1.8 : סיכום ביצועי האלגוריתם שלet al., 2016] Yandong [ במשימת זיהוי מאפייני האלגוריתם ותהליך הלמידה תוצאות- MORPH-II ( N=10 4 ( ) הזדקנות6-1 שנים ) תוצאות- FG-Net  ( N=10 3 ( ) הזדקנות45-1 שנים ) CNN סטנדרטי (תהליך למידה על מאגר אחר) TPIR=89.7% (Rank-1) --- CNN סטנדרטי ( תהליך למידה על81,111 תמונות של81,111 אנשים מ- MORPH-II ) TPIR=95.1% (Rank-1) TPIR=84.4% (Rank-1) LF-CNN ( תהליך למידה על81,111 תמונות של81,111 אנשים מ- MORPH-II ) TPIR=97.5% (Rank-1) TPIR=88.1% (Rank-1)  לא מצאנו ב- [Yandong et al., 2016] תי אור של תהליך הלמידה שבוצע למבחן זה. סביר כי הוא זהה לזה שבוצע במבחן על מאגרMORPH-II . 83 . מסקנות החוקרים . נפרט להלן את מסקנות החוקרים: א. יישום ישיר של מודלCNN ,ללא תהליך למידה רלוונטי ל מאגר הנתונים הנדון , הוא נחות הן מול ביצועי אלגוריתמים ב מחקרים קודמים( שחלקם אינו כוללCNN ) , והן מול ביצועי האלגוריתם שלהם שעבר תהליך למידה על תמונות מתוך המאגר אשר עליו הוא נבחן; ב. מודלCNN סטנדרטי אינו מסוגל לספק תוצאות טובות מס פיק למשימת זיהוי הכוללת הזדקנות; ג. קיים קושי מובנה במשימות זיהוי של ילדים ,כתוצאה משינויים פיזיים במבנה פניהם . לפיכך לא ניתן לקבל ביצועים גבוהים למשימת זיהוי לילדים בתחום הגיל34-1 שנים. 88 . משמעויות נגזרות מתוצאות וממסקנות המחקר . נפרט להלן את המשמעויות הנגזרות מתוצאות ומ מסקנות המחקר: א. חוקרים רבים בוחרים להציג את תוצאות עבודותיהם באופן מותאם לתוצאות מחקרים קודמים ,וזאת על- מנת שניתן יהיה להשוות בין הביצועים של האלגוריתמים השונים במחקרים אלו .באופן דומה למחקרים אחרים , גם במחקר זה מוצגות רק תוצאות ההסתברות לזיהוי נכ ון( TPIR .)עובדה זו , בשילוב העובדה כי לא מוגדר ערך סף למשימת בלמ"ס 81 מחצ"ב 31/13 הזיהוי ,מביאה לכך שלא ניתן להעריך את ההסתברות לאי- התאמה מוטעית( FNIR ) ואת ההסתברות להתאמה מוטעית( FPIR )של האלגוריתם במחקר זה .נוסף על כך , במחקר זה ובמחקרים אקדמיים רבים נוספים ,לא מתואר הקשר בין Rank ובין ההסתברות לזיהוי נכון( TPIR .)לפיכך לא ניתן להעריך מה יהיה ה- TPIR עבורRank-5 ; ב. נציין להלן מספר הערות לגבי האופן בו אנו צופים שישתנו ביצועי האלגוריתם אילּו היה נבחן על מאגר ביומטרי עם מאפייני ייחוס( כפי שפורטו בסעיף39 בפרק הראשון): 3) ביצועי האלגוריתם למאגרMORPH - כיוון שהאלגוריתם במחקר עבר תהליך למידה ובחינה על מאגרMORPH , צפוי כי ביצועיו על מאגר ביומטרי לייחוס יהיו שונים .עיקר ההבדלים נעוץ בהתפלגות שונה במין ,גיל ומוצא אתני בין המאגרים . אין במחקר מידע מספק שיאפשר להעריך כיצד ישתנו בי צועים אלו( לטובה או לרעה) , אך ברור כי לצורך שיפור הביצועים יש לדאוג לכך שתהליך הלמידה יבוצע עם תמונות מייצגות של אנשים מהמאגר שעליו הם נבחנים . יש להקפיד כי התמונות המייצגות שייבחרו לתהליך הלמידה ישקפו את התפלגות הגיל , המין והמוצא האתני במאגר .בצורה זו ,התה ליך המתמטי והמשקולות שייקבעו בתהליך הלמידה יהיו מתאימים לאוכלוסייה שבמאגר; 8) ביצועי האלגוריתם למאגרFG-NET - גם מאגר זה סובל מהטיית התפלגות המוצא האתני והתפלגות המין(אם- כי התפלגות המין קרובה יותר להתפלגות באוכלוסייה הכללית .)בנוסף ,יש לזכור כי רוב התמונות ב מאגר הן לא באיכות גבוהה , וכי בחלק גדול מהתמונות אין הקפדה על זוויות צילום בניצב למישור הפנים ועל רמת תאורה אחידה . לכן ייתכן שהביצועים בבחינה על מאגר עם מאפייני ייחוס( בו התמונות הן באיכות גבוהה עם הקפדה על זוויות צילום ורמת תאורה אחידה )יהיו טובים יותר; 1) הש תנות ההסתברות לזיהוי נכון בהתאם לגודל המאגר- נראה כי האלגוריתם מציג ביצועים טובים מאוד למאגרFG-NET ( 99% TPIR בתחום הגילאים49-82 ) , וביצועים מעט נמוכים יותר למאגרMORPH ( 90.2% TPIR .) בהתחשב בכך שגודל מאגרFG-NET הוא כ- 811 אנשים , וגודל מאגרMORPH שעליו נבח ן האלגוריתם הוא כ- 31,111 אנשים ,נראה כי אלגוריתם זה רגיש מאוד לגודל המאגר , וייתכן כי אם ייבחן על מאגר גדול משמעותית מאלו( גודל לייחוס- N=107 ) סביר שיציג ביצועים מופחתים בהרבה .אין במאמר מידע מספק כדי לגזור מסקנה חד- משמעית לגבי ביצועי האלגוריתם עבור מאגר מ סדר גודל כזה , אך שיעור הירידה של ההסתברות לזיהוי נכון אל מול העליי ה במספר האנשים במאגר הוא גבוה מאוד. 81 . תיקוף חלקי למיטביות התוצאות שנמצאו .ב- [Georgopoulos et al., 2018] מפורט סקר ספרות אקדמי מקיף ,שבוצע על- ידי חוקרים מ אוניברסיטאות באנגליה . הסקר סוקר מאות בודדות של מחקרים אקדמיים ,ומתאר את התקדמות ביצועי האלגוריתמים במשימות אימות ,זיהוי , מחצ"ב 31/13 89 בלמ"ס הערכת גיל והערכת קרבה משפחתית . הסקר כולל גם פירוט רב על מאגרי נתונים המשמשים חוקרים אקדמיים , ומכיל מידע נוסף על מאגרי נתונים אלו ,מעבר ל כתוב בנספח א 'ש להלן. 81 . בדומה לבדיקתנו , גם ע ל פי סקר ספרות זה , האלגוריתם המפורט ב- [Yandong et al., 2016] מציג את הביצועים הטובים ביותר למשימת זיהוי במחקרים אקדמיים( סקר ספרות זה סוכם בסוף ספטמבר8130 , ופורסם במאי8131 ). סיכום 82 . מחקרים אקדמיים מנביטים רעיונות שהחברות המסחריות בוחרות להשתמש בהם , והדוגמה הרלוונטית ביותר לעניינו היא ה- CNN .יחד עם זאת , המחקרים נוטים להשוות את התוצאות שהם מציגים אל מול תוצאות קודמות ,ועל- כן צורת ההצגה שהשתרשה( TPIR בלבד ברובם המכריע של המחקרים )אינה מאפשרת לבחון עמידה במדדי הייחוס. 84 . כיום נראה כי המחקרים האקדמיים נוטים פחות לנסות ולשפר את הביצועים של זיהוי פנים מתמונות"סטנדרטיות" , ופונים יותר לזיהוי פנים מתמונות חופשיות מאילוצים( wild .) זו כנראה גם הסיבה לכך שהאלגוריתם המציג את התוצאות הטובות ביותר הוא פרסום משנת8134 , ומאז לא הוצגו במחקרים אקדמיים תוצאות טובות יותר. 80 . חש וב להבין מהו מאגר הנתונים שבו נעשה שימוש במחקר האקדמי על- מנת לגזור מסקנות ומשמעויות לגבי ביצועי האלגוריתמים הצפויים להתקבל בהפעלתם על מאגר ביומטרי עם מאפייני ייחוס . לאור ההבדלים בין מאפייני מאגרי הנתונים במחקרים האקדמיים ובין מאפייני הייחוס של מאגר ביומטרי , נדרשת זהירות בהסקת מסקנות מהתוצאות המוצגות במחקרים האקדמיים . 81 . על סמך ממצאינו מסקירת המחקרים האקדמיים עולה כי כלל המחקרים האקדמיים שסקרנו הקפידו שתהליך הלמידה יבוצע על תמונות שלא יהיו חלק מהמבחן .נוסף לכך , בגלל החוסר במאגרי נתונים גדולים(תמונות ומידע אמי ן על זהות וגיל) , החוקרים נאלצים לעיתים לבצע תהליך למידה על מאגר נתונים שבו קיימת שונּות מהותית(בהתפלגות גיל ,מין ומוצא אתני ) ממאגר הנתונים שעליו נבחנים האלגוריתמים .לאור האמור ,המלצותינו הן: א. תהליך הלמידה של האלגוריתם יבוצע עם תמונות מהמאגר הביומטרי שעליו ייבחן , תוך הקפדה על ייצוג מתאים בהתאם להתפלגות המין ,הגיל והמוצא האתני שבמאגר . להערכתנו ,ביצוע תהליך למידה כזה יביא לשיפור משמעותי בביצועי האלגוריתם; ב. ככל שביצועי המחשבים משתפרים ניתן יהיה להעלות את מספר התמונות בתהליך הלמידה .ככל שמספר התמונות בתהליך הלמיד ה יהיה גדול יותר , צפוי שישתפרו ביצועי האלגוריתם במשימת זיהוי שתבוצע על המאגר הביומטרי. מחצ"ב 31/13 13 בלמ"ס פרק רביעי ביצועי אלגוריתמים במבחן מכון התקנים האמריק ני כללי 3. במכון התקנים האמריקניNational Institute of Standards and Technology) NIST ) קיימת תוכנית רב- שנתית לבחינת ביצועי אלגוריתמים ממוחשבים העוסקים במשימות שונות של זיהוי פנים( להלןFRVT .)במסגרת תוכנית ה- FRVT בוחנים את ביצועי האלגוריתמים העוסקים במשימות זיהוי ,משימות אימות ,הערכת גיל ,הערכת מין , זיהוי פנים מסרטוני וידיאו וזיהוי פני אנש ים מבוגרים שלגביהם יש חשד כי נחטפו כשהיו ילדים .התוכנית היא רב-שנתית ומחזורית , כך שכל נושא נבחן מחדש אחת למספר שנים . הבדיקה לביצועי אלגוריתמים במשימת זיהוי העדכנית ביותר מתבצעת בשנה הנוכחית( FRVT-Identification-2018 .) הבדיקה הקודמת למשימת זיהוי בוצעה בשנת8131 וסוכמה ב- [NIST, 2014] . 8. במסגרת תוכניתFRVT-Identification-2018 נקראים משתתפים ( לדוגמה חברות מסחריות וקבוצות מחקר) להעביר את האלגוריתמים שלהם אלNIST לצורך הערכת הביצועים. התוכנית מורכבת משלושה שלבים: א. שלב ראשון ( Phase-1 - ס מר 8131 ) - משתתפים הגישו ל- NIST את האלגוריתמים לבחינה במר ס 8131 . לאחר סיום הבחינה( מאי8131 )הועבר דו" ח המסכם את ממצאיה למשתתפים ולסוכנויות ממשלתיות אמריקניות בלבד . במסגרת התוכנית ניתנת למשתתפים אפשרות לשיפור האלגוריתמים בין השלב ה ראשון ל שלב השלישי ,ועל- כן בשלב זה בדו" ח שלNIST לא מפורטים שמות המשתתפים והאלגוריתמ ים אלא ניתנים להם"שמות קוד" .לצורך עבודה זו הועברה אלינו מהיח ידה ליישומים ביומטריים מצגת הכוללת ,בין היתר , תוצאות חלקיות של הביצועים שהציגו אלגוריתמים אשר השתתפו בשלב הראשון [NIST, 2018] ; ב. שלב שני ( Phase-2 - יוני8131 ) - המשתתפים הגישו ל- NIST את האלגוריתמים לבחינה ביוני8131 .טרם התפרסם דו" ח(או טיוטת דו"ח )של ביצועי האלגוריתמים לשלב זה . באמצעות היח ידה ליישומים ביומטריי ם הועברו מספר שאלות להבהרה ובקשו ת אל NIST , וכמענה להן הוחזרו תשובות [NIST, 2018b] וגרפים המייצגים תוצאות חלקיות של ביצועי ה אלגוריתמים בשלב השני[NIST, 2018c] ; ג. שלב שלישי ( Phase-3 - אוקטובר8131 ) - המשתתפים יגישו את האלגוריתמים ל- NIST בחודש אוקטובר8131 . בלמ"ס 18 מחצ"ב 31/13 1. התוצאות של ביצועי האלגוריתמים מוצגות לרוב בגרפים המתארים את תלות השגיאות בפרמטרים שונים(גודל המאגר ,מספר תמונות לכל אדם במאגר ,שגיאות אחרות ועוד .) לצורך הערכת הביצועים הרלוונטיים למאגר ביומטרי עם מאפייני ייחוס( כפי שפורטו בסעיף39 בפרק הראשון) , התמקדנו בתוצאות שהמדדים שלהן מתאימים למדדי הייחוס(ל- FNIR , FPIR ו- N ) . ביצועי אלגוריתמים בשלב ראשון8181 1. כיוון שדו" חNIST המתאר את ביצועי האלגוריתמים בשלב הראשון מועבר אך ורק למשתתפים עצמם ו לסוכנויות ממשלתיות אמריק יות נ ,אין ביד י נו הנתונים המלאים .ה כתוב כאן מתבסס על התוצאות המפורטות ב- [NIST, 2018] . 2. בשלב הראשון השתתפו כ- 48 אלגוריתמים של כ- 11 מפתחים . במסגרת השלב נבחנו ביצועי האלגוריתמים במשימות זיהוי על מאגרי נתונים בגדלים משתנים ( 38 מיליון , 4 מיליון , 1 מיליון , 3.4 מיליון ו- 411 אלף תמונות .)כמו- כן נבחנו הביצועים לאור אפקט הזדקנות בתחום30-3 שנים. מאגר הנתונים במבחן 4. הנתונים שהועברו מ- NIST אינם כוללים מידע מלא לגבי מאגר הנתונים שעל בסיסו בוצעה בדיקתם. נראה כי מאגר הנתונים המשמש אתNIST מכיל בעיקר תמונות פנים של עצורים. ברוב התמונות קיימת הקפדה על זוויות צילום ניצבות למישור הפנים ,הקפדה על תנאי תאורה , הי עדר הבעות פנים חריגות ורמה גבוהה יחסית של איכות התמונה . נראה כי חלק מהתמונות ששימשו כתמונות נבחנות הן תמונות ללא אילוצים , שלא הקפידו בהן על זווית צילום ניצבת למישור הפנים ועל תנאי תאורה סטנדרטיים .יחד עם זאת , יש בתמונות הנבחנות גם כאלו שמציגות את ה פנים בא יכות גבוהה יותר מאשר ה תמונות הכלולות במ אגר הנתונים שעליו נבחנים האלגוריתמים .ב איור1.3 מופיעה דוגמה של תמונות מהמאגר והתמונות הנבחנות. איור1.3 :דוגמה של תמונות ממאגר התמונות שלNIST מחצ"ב 31/13 11 בלמ"ס תוצאות השלב הראשון 0. איור1.8 מציג את השיפור בביצועי האלגוריתמים המיטביים במבחןNIST הנוכחי(שלב ראשון ) ובמבחנים שבוצעו בשנים8131 ו- 8131 . ניתן לראות כי ביצועי האלגוריתם המיטבי בשלב ראשון 8131 ( FNIR ) טובים בפקטור38 מביצועי האלגוריתם המיטבי במבחןNIST שנערך בשנת8131 ( שם הושג שיפור בפקטור8 מהביצועים במבחןNIST בשנת8131 ) . איור1.8 : שיפור ביצועי אלגוריתמים בין סבביIdentification - FRVT בשנים 8131 - 8131 1. השפעת גודל המאגר , N , על ביצועי האלגוריתמים במשימת זיהוי .ב איור1.1 מוצגת התלות של FNIR ב- Rank ( עבורN שונים דיסקרטיים ,ועבור תמונה עדכנית1 מול מספר תמונות ל אדם2 .) באיור מוצגת השוואה של1 אלגוריתמים בלבד(מתוך ה- 41 שנבחנו) ,ש אחד מהם הוגדר על- ידי NIST כאלגוריתם המדויק ביותר- Salta_0 (אין ב- [NIST, 2018] הס בר על קביעה זו) , והאחרים לא דורגו כלל(אנו מניחים כי הם הבאים בתור ברמת הדיוק .)ה- FNIR המוצג באיור הוא ה- FNIR המיטבי המתקבל ללא הגדרת ערך סף ,ועל- כן קשה להשוות את התוצאות למדדי הייחוס(ללא הגדרת ערך סף ,ה- FPIR גדול יותר ממדד הייחוס .) ראה סיכום התוצאות המיט ביות ל- FNIR בשלב הראשון ב טבלה1.3 שלהלן. ________________________________ ________________________________ _________ 1 כ אשר המאגר מכיל רק תמונה אחת לאדם , שהיא התמונה העדכנית ביותר(למעט התמונה הנבחנת) , נוהגNIST לכנות את המבחן במונחrecent . 2 כאשר המאגר מכיל את כלל התמונות של האדם במאגר(למעט התמונה הנבחנת) , נוהגNIST לכנות את המבחןlifetime . בלמ"ס 11 מחצ"ב 31/13 איור1.1 : התלות שלFNIR (מיטבי )ב- ank R - אלגוריתמים מיטביים בשלב ראשון ( [NIST, 2018] ) טבלה1.3 :ההסתברות ל- FNIR מ יטבי(ללא ערך סף ) בשלב ראשון8131 עבור7 N=10 Rank Salta_0 Zurich_0 Kigali_0 תמונה עדכנית בלבד כלל התמונות לאדם תמונה עדכנית בלבד כלל התמונות לאדם תמונה עדכנית בלבד כלל התמונות לאדם 8 1.119 1.111 1.133 1.110 1.130 1.133 5 1.112 1.118 1.110 1.111 1.133 1.114 9. על-מנת להעריך את אופן השתנות ה- FNIR המיטבי בתלות בגודל המאגר , דגמנו את הנתונים מ איור1.1 ,ו התאמנ ו אותם לפונקצי ות מעריכיות: א. איור1.1 מתאר את התלות של ההסתברות לקבלת אי- התאמה מוטעית( FNIR מיטבי ) במשימת זיהוי( Rank-1 ) ,בגודל ה מאגר ,עבור שלושת האלגוריתמים המובילים בשלב ראשון; ב. איור1.2 מתאר את התלות של ההסתברות לקבלת אי- התאמה מוטעית( FNIR מיטבי ) במשימת זיהוי( Rank-5 ) ,בגודל המאגר ,עבור שלושת האלגוריתמים המובילים בשלב ראשון. מחצ"ב 31/13 12 בלמ"ס y = 4E-05x0.2907 y = 0.0004x0.1917 y = 0.0003x0.1939 y = 0.0007x0.1695 y = 9E-05x0.3003 y = 0.0004x0.231 0.001 0.01 5.E+05 5.E+06 FNIR N Salta_0 lifetime Salta_0 recent Zurich_0 lifetime Zurich_0 recent Kigali_0 lifetime Kigali_0 recent Power (Salta_0 lifetime) Power (Salta_0 recent) Power (Zurich_0 lifetime) Power (Zurich_0 recent) Power (Kigali_0 lifetime) Power (Kigali_0 recent) איור1.1 :ה תלות של ההסתברות לאי- התאמה מוטעית( FNIR מיטבי) של1 - Rank בגודל המאגר y = 5E-05x0.238 y = 0.0004x0.155 y = 0.0004x0.1396 y = 0.0013x0.103 y = 6E-05x0.284 y = 0.0006x0.1788 0.001 0.01 5.E+05 5.E+06 FNIR N Salta_0 lifetime Salta_0 recent Zurich_0 lifetime Zurich_0 recent Kigali_0 lifetime Kigali_0 recent Power (Salta_0 lifetime) Power (Salta_0 recent) Power (Zurich_0 lifetime) Power (Zurich_0 recent) Power (Kigali_0 lifetime) Power (Kigali_0 recent) איור1.2 :התלות של ההסתברות לאי- התאמה מוטעית( FNIR מיטבי ) של5 - Rank בגודל המאגר 31 . נראה כי ככל שמספר האנשים במאגר עולה , כך יורדים ביצועי האלגוריתמים( FNIR מיטבי ) במשימת זיהוי .יחד עם זאת ,נראה כי ככל שיישמרו יותר תמונות של אותו אדם במאגר , ישתפרו ביצועי האלגוריתמים במשימת זיהוי .שינויים אלו משפיעים כמובן גם על מדד ה- FPIR , ולא רק על ה- FNIR כפי שיוצג להלן . בלמ"ס 14 מחצ"ב 31/13 33 . הקשר ביןFNIR ו- FPIR . ב איור1.4 מוצגת התלות ביןFNIR ( שלRank-1 ) ובין גודל המאגר N ( עבור1 ערכיFPIR : 1.3 , 1.13 ו- 1.113 ,ועבור תמונה עדכנית מול מספר תמונות ל אדם) .על- פי החסמים המפורטים בצו , ערכיFPIR של1.13 ו- 1.113 מתאימים למאגרים המכילים310 ו- 314 אנ שים בהתאמה . התוצאות המוצגות באיור אינן מתייחסות כלל לתהליך הזדקנות , למרות ש ככל הנראה יש הבדל זמן בין מועד נטילת ה תמונ ה הנבח נת לבין מועד נטילת התמונה הכלולה במאגר(של אותו אדם). איור1.4 : התלות שלFNIR ב- N - אלגוריתמים מיטביים בשלב ראשון ( [NIST, 2018] ) 38 . ב טבלה1.8 ש להלן מסוכמות התוצאות הרלוונטיות מ איו ר1.4 ,ל- FNIR , FPIR ו- N המתאימים ל מדדי הייחוס. לצורך הערכת ה- FNIR ל- Rank-5 נניח שפקטור המעבר בין FNIR מיטבי ל- Rank-1 ו ביןFNIR מיטבי ל- Rank-5 של אלגוריתםKigali_0 (מ איור1.1 ) , הוא אותו פקטור מעבר ל- FNIR שאינו מיטבי( FNIR בהינתן ערכי סף המביאים לערכיFPIR של1.13 ו- 1.113 .) פי ל כך פקטור המעבר עבור מאגר בגודל N=106 הוא 1.01 ( FNIR ל- Rank-1 הוא1.1190 , FNIR ל- Rank-5 הוא1.1103 ), ועבור מאגר בגודלN=107 הוא1.42 ( FNIR ל- Rank-1 הוא1.130 , FNIR ל- Rank-5 הוא1.133 ). לאור הביצועים המתקבלים , ראה טבלה1.8 , נראה כי הביצועים של אלגוריתמיםSalta_0 ו- Zurich_0 עומדים דמב די הייחוס(ל- FNIR ו- FPIR ) , אך ללא התחשבות באפקט הזדקנות. מחצ"ב 31/13 10 בלמ"ס טבלה1.8 :ההסתברות לאי- התאמה מוטעית( FNIR )של אלגוריתמים בשלב ראשון מדדי ייחוס Salta_0 Zurich_0 Kigali_0 Rank-1 Rank-5 Rank-1 Rank-5 Rank-1 Rank-5 FPIR=0.001 N=106 1.11 1.11 > 1.112 1.112 > 1.3 1.101 ≈ FPIR=0.01 N=107 1.112 1.112 > 1.11 1.11 > 1.19 1.121 ≈ הסימן≈ מציין כי מדובר בהערכה כמותית התלויה בהנחות שונות. 31 . השפעת מספר התמונות של אותו אדם במאגר (# 3 )על ה- FNIR . ב איור1.0 מוצג ת התלות של FNIR ב- FPIR ( עבור # בתחום0-3 , לערכיFPIR שונים4 - 1.1111 , 1.111 , 1.11 ו- 1.1 , למאגר בגודל3.4 מיליון תמונות .) באיור מוצגים הביצועים של1 אלגוריתמים בש לב ראשון ( 5 Salta_0, Kigali_0, Osaka_0 ). גם במקרה זה הביצועים המוצגים אינם מתייחס ים לאפקט ההזדקנות והשפעתו על ה- FNIR . איור1.0 : התלות שלFNIR ב- FPIR וב- # - אלגוריתמים מיטביים בשלב ראשון( [NIST, 2018] ) ________________________________ ________________________________ _________ 3 נשתמש בסימן #לציון מספר התמונות שיש לכל אדם במאגר . 4 האיור מציג עקומות שבהן ערכי ה- FPIR משתנים , אך מתייחס אליהם כאל ערך דיסקרטי שלFPIR . לאור זאת נראה כי הכוונה היא לערך הממוצע שלFPIR לכל עקום. 5 נראה כי אלגוריתם Osaka_0מוצג כאן כ דוגמה רעה לאלגוריתם שעבורו ככל שמוסיפים יותר תמונות של אדם למאגר, כך מתקבלת הרעה משמעותית ב- FPIR . בלמ"ס 11 מחצ"ב 31/13 31 . כפי שניתן לראות ב איור1.0 , האופן ש בו משתנה ה- FPIR כאשר מוסיפים יותר תמונות לאותו האדם במאגר( #עולה ) הוא שונה עבור האלגוריתמים השונים: א) אלגוריתםSalta_0 - ככל שיש יותר תמונות של אותו אדם במאגר ,ה- FNIR שלRank-1 קטן . כאשר #משתנה מ-3 ל-0 ,עבור אלגוריתם זה קטן ה- FNIR בסדר גודל( פקטור33 ! ) מצד שני, ה עלייה בערך ה- FPIR אינה גדולה( פקטור3.2 .) כאשר #משתנה מ-3 ל-8, ה- FNIR קטן בפקטור1 לערך(השינוי ב- FPIR דומה ל- #=7 פקטור3.2 לערך .) כאמור זו תכונה של האלגוריתם הספציפי הזה ,ועל- כן חשוב לבחון את ההתנהגות הזו כאשר בוחנים שימוש באלגוריתם מסוים . ייתכן שלתוספת התמונות במאגר תהיה עלות של הגדלת זמן החישוב ,אך לאור העובדה שהאלגוריתם האיטי ביותר בחן מיליון תמונות ב- 4.1 שניות [NIST, 2018] ,נראה כי עלות זו אינה משמעותית; ב) אלגוריתםKigali_0 - גם לאלגוריתם זה מוצג שיפור ב- FNIR ( פקטור0.0 ) ככל שיש יותר תמונות של אותו אדם במאגר(םא- כי השיפור בביצועי אלגוריתם זה נחותים במעט לעומת ביצועיSalta_0 .)גם כאן ה- FPIR כמעט אינו משתנה( פקטור3.2 ) ,כאשר רוב השינוי ב- FPIR הוא במעבר מתמונה אחת לאדם ל-8 תמונות לאדם(השינוי ב- FNIR ל- #=2 הוא פקטור8.2 לערך) .לאחר מכן, לתוספת של עוד תמונות ל כל אדם אין השפעה שלילית על ה- FPIR ; ג) אלגוריתםOsaka_0 - אמנם מוצג שיפור משמעותי מאוד ב- FNIR ( כמעט בפקטור81 ) ככל שמוסיפים יותר תמונות לכל אדם, אך מצטרפת לכך פגיעה משמעותית מאוד ב- FPIR ( פקטור311 .)דוגמה זו ממחישה כי התלות ביןFNIR ו- FPIR היא ספציפית לאלגוריתם , ו לכן חשוב לבחון תכונה זו בבחירת אלגוריתם למשימת זיהוי. 32 . השפעת ה הזדקנות על ביצועי האלגוריתמים. ב איור1.1 מוצגת התלות שלFNIR (מיטבי ) ב- Rank (עבור תחומי ההזדקנות הבאים : 8-3 , 1-8 , 4-1 , 1-4 , 31-1 , 38-31 , 31-38 ו- 30-31 , למאגר המכיל1 מיליון תמונות .)לגבי כל האלגוריתמים נית ן לראות , שעבור תחום הזדקנות גדול יותר מתקבלים ביצועים( FNIR מיטבי )ירודים יותר .כמו- כן ניתן לראות שמידת הירידה בביצועים שונה בין האלגוריתמים השונים . למשל עבור אלגוריתםOsaka_0 משתנה ה- FNIR המיטבי בפקטור38 ( במעבר מתחום הזדקנות8-3 לתחום הזדקנות30-31 ) ,בעו ד שלאלגוריתם Salta_0 השינוי הוא בפקטור2 בלבד(עבור אותו מעבר .)לכן , כאשר בוחנים אלגוריתם עבור מאגר ביומטרי , חשוב לבדוק גם את מידת הירידה בביצועים עבור תחומי הזדקנות שונים ולהשוות לאלגוריתמים מתחרים .כיוון שזו תכונה של האלגוריתם , ייתכן כי אלגוריתם אחד (למש לKigali_0 ) יציג ביצועים ירודים מאלגוריתם שני( למשלOsaka_0 )ללא הזדקנות , אך מידת הירידה בביצועי האלגוריתם הראשון בעקבות הזדקנות( פקטור1 ) תהיה קטנה יותר מאשר מידת הירידה בביצועי האלגוריתם השני בעקבות הזדקנות( פקטור38 ). מחצ"ב 31/13 19 בלמ"ס איור1.1 : התלות שלFNIR ב- ank R עב ור תחומי הזדקנות שונים- שלב ראשון ( [NIST, 2018] ) 34 . לצורך הערכת ביצועי האלגוריתמים תוך התחשבות באפקט ההזדקנות, נניח את ה הנח ות הבאות (מהתוצאות המפורטות ב- [NIST, 2018b] נראה כי הנחות אלו סבירות מאוד:) א. התוצאות המפורטות עבורFNIR שאינו מיטבי( המוצג באיור1.4 ) , מתאימות לתחום הזדקנות של8-3 שנים; ב. פקטור התיקון לצורך התחשבות בהזדקנות(בהתאם לתחום ההזדקנות הנדרש ) אינו משתנה באופן מהותי ביןFNIR מיטבי וביןFNIR שאינו מיטבי( FNIR בהינתן ערכי סף המביאים לערכיFPIR ו- N , אשר מתאימים למדדי הייחוס); ג. פקטור המעבר ביןFNIR מיטבי ל- Rank-1 וביןFNIR מיטבי ל- Rank-5 ,זהה ל פקטור מעבר ביןFNIR שאינו מיטבי ל- Rank-1 ובין פקטור מעבר שאינו מיטבי ל- Rank-5 . 30 . לצורך הערכת ביצועי האלגוריתמים עם התחשבות באפקט ההזדקנות ,חישבנו באופן הבא: א. את ערכי ה- FNIR שאינם מיטביים עבורRank-1 (מ טבלה1.8 לעיל )תיקנו ע ל-ידי פקטור מעבר לצורך התחשבות בהזדקנות ,עבור תחומי ההזדקנות : 4-1 שנים ו- 31-1 שנים ; בלמ"ס 11 מחצ"ב 31/13 ב. לצורך הערכת ה- FNIR המתאים ל- Rank-5 תיקנו את הערכים מסעיף קודם על-יד י פקטור תיקון המעבר ביןRank-1 וביןRank-5 ( עבורFNIR מיטבי מ איור1.1 לעיל). 31 . תוצאות . נפרט את תוצאות הערכותינו בטבלאות הבאות: א. טבלה1.1 ש להלן מסכמת את ביצועי אלגוריתםSalta_0 בשלב ראשון; טבלה1.1 :הע רכת ה- FNIR של אלגוריתםSalta_0 במשימת הזדקנות בשלב ראשון Salta_0 ללא אפקט הזדקנות הזדקנות של6-4 שנים הזדקנות של81-1 שנים Rank-1 Rank-5 Rank-1 Rank-5 Rank-1 Rank-5 FPIR=0.001 N=106 1.11 ≈0.03 ≈0.072 ≈0.045 ≈0.1 ≈0.06 FPIR=0.01 N=107 1.112 ≈0.025 ≈0.063 ≈0.04 ≈0.09 ≈0.05 הסימן≈ מציין כי מדובר בהערכה כמותית ש תלויה בהנחות המפורטות לעיל. ב. טבלה1.1 ש להלן מסכמת את ביצועי אלגוריתםZurich_0 בשלב ראשון; טבלה1.1 :הערכת ה- FNIR של אלגוריתםZurich_0 במשימת הזדקנות בשלב ראשון Zurich_0 ללא אפקט הזדקנות הזדקנות של6-4 שנים הזדקנות של 81-1 שנים Rank-1 Rank-5 Rank-1 Rank-5 Rank-1 Rank-5 FPIR=0.001 N=106 1.112 1.11 ≈ 1.11 ≈ 1.141 ≈ 1.31 ≈ 1.10 ≈ FPIR=0.01 N=107 1.11 1.111 ≈ 1.10 ≈ 1.14 ≈ 1.38 ≈ 1.10 הסימן≈ מציין כי מדובר בהערכה כמותית ש תלויה בהנחות המפורטות לעיל. ג. ביצועי אלגוריתםKigali_0 ירודים מאשר הביצועים שמציגים אלגוריתמיםSalta_0 ו- Zurich_0 ועל- כן לא הערכנו אותם באופן כמותי ו מפורט . מחצ"ב 31/13 13 בלמ"ס 39 . השפעת מקור האלגוריתם(הגיאוגרפי )על ביצועיו בהתאם למוצא האנשים שב מאגר הנתונים . [NIST, 2018] מראה כי ביצועי האלגוריתם טובים יותר כאשר התמונות המעובדות על- ידו הן של אנשים שמוצאם הגיאוגרפי זהה למקור האלגוריתם . האלגוריתם הסיני( Yitu-000 ) מציג ביצועים טובים יותר כאשר הוא מנתח תמונות של אנשים שמוצאם הוא מזרח- אסיה( ראה איור 1.9 להלן) , והאלגוריתם האירופאי( Vocord-002 ) מציג ביצועים טובים יותר כאשר הוא בוחן תמונות של אנשים שמקורם מאירופה . תופעה זו מומחשת היטב גם בפרסומים נוספים של NIST , למשל[NIST, 2018a] ,שם מפורטות דוגמאות נוספות הממחישות תופעה זו .לפיכך , כאשר בוחנים אלגוריתמים לביצוע משימת זיהוי ,חשוב לראות שאין בהם הטיה מסוג זה , העלולה להתבטא בביצועים ירודים במשימת זיהוי עם תמונות של אנש ים שמוצאם האתני מתאים למאגר הביומטרי. איור1.9 :השפעת מקור האלגוריתם על הביצועים המתקבלים לתמונות אנשים מ רחבי העולם בלמ"ס 18 מחצ"ב 31/13 ביצועי אלגוריתמים בשלב שני8181 תוצאות 81 . ב- [NIST, 2018c] מפורטות תוצאות חלקיות מהשלב השני במבחןNIST . ב איור1.31 מוצגים ביצועי אלגוריתםYitu_2 שהשיג את הביצועים הטובים ביותר עד כה בשלב השני של מבחן FRVT-Identification-2018 . באיור מוצג ת התלות בין שני מדדי הביצועים העיקרייםFPIR ו- FNIR (עבור תחומי הזדקנות: 8-1 , 1-8 , 4-1 , 1-4 , 31-1 , 38-31 , 31-38 ו- 31-31 שנים ,ל מאגר המכיל1 מיליון תמונות) . איור1.31 : ביצועי אלגוריתםYitu_2 בשלב שני[NIST, 2018c] מחצ"ב 31/13 11 בלמ"ס 83 . מדדי הייחוס ל- FPIR מתנהגים כפונקציה ליניארית שנוסחתה- FPIR(N)=10-9N . המבחן שתוצאותיו מסוכמות ב איור1.31 לעיל בוצע על מאגר המכיל1 מיליון אנשים . לאור כך מדד הייחוס ל- FPIR המתאים למאגר בגודל זה הוא- 1.111 . נסמן מדד זה על- ידי קו כחול אנכי ב איור1.38 ש להלן. 88 . ב איור1.33 מוצגת השפעת המין של האדם בתמונה הנבדקת עלFNIR . נראה כי ההסתברות לקבלת אי-התאמה מוטעית גבוהה באופן משמעותי אצל נשים מאשר אצל גברים. כיוון שמאגר הנתונים ש עליהם נבחנים האלגוריתמים במבחןNIST מכיל00% גברים ורק81% נשים , נדרש לתקן את הביצועים לצורך הערכת הביצועים שהיו מתקבלים ל מאגר המכיל התפלגות מין נורמ לית באוכלוסייה( 21% גברים ו- 21% נשים) 6. מספר האנשים במאגר, במבחן שתוצאותיו מתואר ות באיור, הוא3.4 מיליון , והמדד הכמותי לייחוס המתאים לערך זה ה ואFPIR=0.016 (ראה הסבר בסעיף קודם ) - ס ימנו ערך זה בקו כחול אנכי באיור7 . עבורFPIR זה ,ה- FNIR שמתקבל ל גברים הוא1.131 וה- FNIR שמתקבל ל נשים הוא 1.180 . ההסתברות לאי- התאמה מוטעית לנשים גדולה בפקטור3.9 מאשר ההסתברות לאי-התאמה מוטעית של גברים .ל פיכך , על- מנת לתקן את הביצועים המוצגים בתוצאות מבחןNIST כך שיתאי מו להתפלגות נורמלית באוכלוסייה , נכפיל(או נחלק בהתאם לעניין )את תוצאות ה- FNIR בפקטור3.8 8. מדד הייחוס ל- FNIR לפני התיקון הנדרש הוא1.12 ,נסמן מדד זה על-ידי קו אדום אופקי ב איור1.38 ש להלן . מדד הייחוס המתוקן ל- FNIR הוא1.113 ,נסמן מדד זה על-ידי קו אדום אופקי מקווקו ב איור 1.38 ש להלן. איור1.33 : השפעת מין האדם בתמונה הנבדקת עלFNIR באלגוריתםYitu_2 ________________________________ ________________________________ _________ 6 גם הכותב של[NIST, 2018c] ,מעיר על הטיה משמעותית זו ועל הצורך בתיקון הנתונים באופן זהה. 7 המעבר האנכי הוא הנחה ,כיוון שייתכן שמעבר מעקום הגברים לעקום הנשים הוא אחר . הקווים השחורים הקטנים מייצגים מעבר מדויק עבורFPIR דיסקרטיים( 1.111 , 1.11 ו- 1.1 .)כפי שניתן לראות , הקווים השחורים כמעט אנכיים באזור העניין שלנו. 8 פקטור זה הוא יחס משולש בין התפלגות המין במאגרNIST ובין התפלגות המין הנורמלית באוכלוסייה ,ובהינתן שה- FNIR לנשים גדול בפקטור3.9 מה- FNIR של הגברים. בלמ"ס 11 מחצ"ב 31/13 איור1.38 : ביצועי אלגוריתםYitu_2 בשלב שני[NIST, 2018c] עם סימון מדדי ייחוס 81 . ביצועים עבורRank-1 . נראה כי האלגוריתםYitu_2 מספק ביצועים טובים יותר מ מדדי הייחוס( FNIR=0.041 , FPIR=0.003 עבורN=3106 ) לתחום הזדקנות של[0,6] שנים . סביר ש עבור מאגר עם תמונות העומדות ב תנאי איכות של מאגר ביומטרי ,הביצועים יהיו טובים יותר . בנוסף , כאשר ה מאגר הביומטרי יכיל יותר מתמונה אחת לכל אדם ,ה- FNIR שיתקבל אמור להיות נמוך יותר( יש לוודא שלא על חשבון עלייה מוגזמת ב- FPIR .) מחצ"ב 31/13 12 בלמ"ס 81 . טבלה1.2 ש להלן מכילה תוצאות הרלוונטיות למדדי הייחוס ש אותן מדדנו ישירות מ איור1.31 ( ערכיFNIR בטבלה תוקנו בגין התפלגות המין השונה ,ומוצגים בהתאם למדדי הייחוס .) נוסף לכך ניתחנו להלן את תוצאות הביצועים של האלגוריתם הנ"ל , החורגות מ מדדי היי חוס , כאשר כל פעם נשמור על אחד הפרמטריםFNIR אוFPIR כמתאים ל מדדי הייחוס( גם תוצאות אלו מפורטות בטבלה זו:) א. FPIR=0.003 - עבור תחום הזדקנות של(8,10] 9 שנים( בממוצע9 שנים) , מתקבלFNIR (מתוקן ) - 1.111 .ה- FNIR עבור הזדקנות ממוצעת של31 שנים יהיה גבוה מערך זה , ולא ניתן לקבלו ישירות מ איור1.31 .לצורך הערכת ה- FNIR להזדקנות ממוצעת של31 שנים דגמנו את ה- FNIR עבור זמני ההזדקנות הממוצעים השונים( ישירות מ איור1.31 ) והתאמנו אותם לפולינום מסדר שני . עבור הזדקנות ממוצעת של31 שנים מתקבלFNIR (מתוקן ) - 1.3 ; ב. FNIR=0.041 ( כאמור ערך מתוקן למדד הייחוס1.12 ) - עבור תחום הזדקנות של(8,10] שנים( בממוצע9 שנים) , מתקבלFPIR - 1.134 .ה- FPIR עבור הזדקנות ממוצעת של31 שנים יהיה גבוה מערך זה , ולא ניתן לקבלו ישירות מ איור1.31 .לצורך הערכת ה- FPIR להזדקנות ממוצעת של31 שנים דגמנו את ה- FPIR עבור זמנ י ההזדקנות הממוצעים השונים( ישירות מ איור1.31 )והתאמנו אותם לפונקציה אקספוננציאלית . עבור הזדקנות ממוצעת של31 שנים מתקבלFPIR - 1.180 . 82 . ביצועים עבור.Rank-5 ב איור1.31 וצג מ הקשר בין ה- Rank ובין ה- FNIR המיטבי( ללא ערך סף). ינ עזר במידע המופיע באיור זה לצורך הערכת הביצועים עבורRank-5 . עבור תחום ההזדקנות(8,10] ,פקטור המעבר מ- Rank-1 ל- Rank-5 הוא1.41 . עבור תחום ההזדקנות (10,12] ,פקטור המעבר מ- Rank-1 ל- Rank-5 הוא1.20 . פי ל כך אנו מסיקים כי פקטור המעבר להזדקנות ממוצעת של31 שנים יהיה כ- 1.4 . בהנחה שפקטור מעבר זה אינו משתנה מהותית גם כאשר קיים ערך סף , אזי עבור ערך ייחוס שלFPIR=0.003 ו הזדקנות ממוצעת של31 שנים , מתקבלFNIR (מתוקן ) - 1.14 .באופן דומה הערכנו את ה- FNIR המתוקן המתקבל עבור FPIR=0.0015 . ________________________________ ________________________________ _________ 9 משמעות הסימון(8,10] היא שתחום ההזדקנות גדול מ-1 שנים וקטן או שווה ל- 31 שנים. בלמ"ס 14 מחצ"ב 31/13 טבלה1.2 : סיכום ביצועי אלגוריתםYitu_2 בשלב שני8131 Yitu_2 N=3·106 FNIR ללא אפקט הזדקנות הזדקנות ממוצעת 5 שנים ( בתחום4-6 שנים) הזדקנות ממוצעת 81 שנים ( בתחום1-88 שנים) Rank-1 Rank-5 Rank-1 Rank-5 Rank-1 Rank-5 FPIR<0.001 1.12 --- --- --- --- --- FPIR=0.0015 1.183 1.183 > 1.12 1.12 > 1.31 1.11  FPIR=0.003 1.130 1.130 > 1.11 1.11 > 1.3 1.14  FPIR=0.027 1.133 1.133 > 1.18 1.18 > 1.12 1.12 > איור1.31 :תלות ה- FNIR ב- ank R עבור אלגוריתםYitu_2 בשלב שני[NIST, 2018c] מחצ"ב 31/13 10 בלמ"ס סיכו ם והמלצות 84 . האלגוריתמים המשתפים במבחן ה- FRVT שלNIST מציגים ביצועים טובים יותר מאשר אלו ש במחקרים אקדמיים . אלגוריתמים במבחניNIST משתפרים מאוד בין סבבי המבחן השונים. ייתכן כי הביצועים על תמונות באיכות גבוהה יותר, ל דוגמה תמונות העומדות במאפייני מאגר ביומטרי לייחוס ,יהיו טובים עוד יותר , בפרט לאור העובדה שחלק מהתמונות במבחן8131 הן תמונות חופשיות מאילוצים ובאיכות נמוכה(מצלמות רשת) ,כפי שניתן לראות ב איור1.3 . בנוסף , כשהמאגר הביומטרי יכיל יותר מתמונה אחת לכל אדם צפוי כי הביצועים יהיו טובים יותר (ירידה ב- FNIR מול עלייה מת ונה ב- FPIR ). 80 . לאור הביצועים והבחינה ההשוואתית המק י פה שמבצעNIST , מומלץ כי האלגוריתם במאגר הביומטרי הישראלי יהיה אחד מהמובילים במבחניNIST ( למשלFRVT-Identification-2018 ) . כאשר בוחרים אלגוריתם כזה חשוב להתייחס לפרמטרים הבאים ,שהם לרוב ספציפ י ים לאלגוריתם: א. בחירה באלגוריתם שהתכונות שלו מביאות ל- FNIR נמוך יותר ככל שמספר התמונות לכל אדם במאגר עולה ,וכ תוצאה מכך עולה גם המספר הכללי של התמונות במאגר . חשוב להקפיד כי במקביל לירידה ב- FNIR ,לא מתקבלת עלי י ה דרמטית ב- FPIR ככל ששומרים יותר תמונות של אותו אדם במאגר. אם הא לגוריתם עומד בדרישות אלו , אזי מומלץ גם לשמור במאגר את כל התמונות שנאספות(יותר מתמונה אחת לאדם )על- מנת לשפר את הביצועים במשימת זיהוי; ב. בחירה באלגוריתם שמידת העלי י ה ב- FNIR בעקבות הזדקנות נמוכה יותר מאשר אלגוריתמים מתחרים .כפי שניתן לראות ב איור1.1 ,פקטור ה עלייה ב- FNIR בעקבות ההזדקנות שונה מאלגוריתם לאלגוריתם ,ועל-כן ייתכן שיהיה כדאי לבחו ר באלגוריתם שהביצועים שלו ללא הז דקנות יהיו אולי פחות טובים מאלגוריתם אחר ,אך מידת ה עלייה ב- FNIR בעקבות ההזדקנות שלו תהיה פחותה; ג. אם תתקבל החלטה על שילוב בוחנים אנושיים בתהליך של משימת זיהוי , יש לבחור באלגוריתם המציב את ההתאמה הנכונה קרוב ככל הניתן ל- Rank-1 (דו" חותNIST מדרגים זאת ראה- [NIST, 2014] ); ד. בחירה באלגוריתם שמקורו אינו משפיע על ביצועיו. מחצ"ב 31/13 19 בלמ"ס פרק חמישי שילוב תיוגים ובוחנים אנושיים במשימת זיהוי כללי 3. ישנן מספר דרכים לשפר את הביצועים המערכתיים במשימת זיהוי . ניתן להוסיף מידע לתמונות במאגר ,לדוגמה : גיל במועד נטילת התמונה ומין(להלן נכנה את אלו כתיוגים .) שילוב המידע עם שאילתות פשוטות לניפוי תוצאות שגויות(למשל קבלת התאמה של גבר לתמונה של אישה ) יפחית את השגיאות שיתקבלו במש ימת זיהוי .נוסף לכך ,ניתן להתייחס ל- Rank גדול מ-3 לצורך הפחתת ה- FNIR ( עבורFPIR ו- N נתונים .) במקרה כזה יהיה צורך לשלב בוחנים אנושיים בתהליך על-מנת לסרוק את ההתאמות המרובות שיתקבלו במשימת זיהוי ולמצוא בהן התאמה . בפרק זה נבחן את ההשפעות של שילוב תיוגים ובוחנ ים אנושיים במשימת זיהוי. תיוגים 8. על-מנת לבחון את התרומה האפשרית של שילוב תיוגים במשימת זיהוי , בחנו את השגיאות העלולות להתקבל מהאלגוריתם המבצע משימה זו . אחת הדוגמאות לשגיאות שהתקבלו בהרצת משימת זיהוי הוצגה ב- [Yandong et al., 2016] ( שכאמור מציג את האלגוריתם האקדמי בעל הביצועים המיטביים ) - ראה איור2.3 . בשורה העליונה מופיעות התמונות שנבחנו( probe ) , בשורה השנייה מופיעות התמונות שנמצאו מתאימות ביותר( Rank-1 ) , ובשורה השלישית מופיעה התמונה הנכונה מהמאגר שהייתה צריכה להתקבל כמענה למשימת הזיהוי .להלן נדון בשגי אות האפשריות ונדגים אותן על הדוגמה שבאיור. איור2.3 :דוגמאות לשגיאות העלולות להתקבל במשימת זיהוי בלמ"ס 21 מחצ"ב 31/13 1. שגיאות גיל. בחלק מההתאמות השגויות( FPIR ) התקבלו זהויות שעבורן גיל המצולם בתמונה שנמצאה כמתאימה ביותר גבוה מגיל האדם בתמונה הנבחנת . מקרים אלו מסומנים במסגרת כתומה ב איור2.3 . ברור כי שילוב של שאילתה פשוטה הבוחנת את התאמות הגיל בין האדם בתמונה הנבחנת והאדם בתמונה שנמצאה מ תאימה(בין אם ב- Rank-1 או ב- Rank גבוה יותר ) היה מונע את טעויות מסוג זה .מנגד ייתכן כי יהיו כאלו שיתנגדו להוספת מידע על גיל על- ידי תיוגו לתמונה ,בעיקר מהחשש שאם ייפרץ המאגר וייגנבו ממנו הנתונים , ייחשפו פרטים אישיים של האנשים .נראה כי אפילו הוספת מידע כללי ע ל גיל(כמו ב איור2.3 ) , ולאו דווקא תאריך לידה מדויק ,תתרום באופן משמעותי להפחתת השגיאות במשימת זיהוי .לא מצאנו פרסו ם אקדמי( או אחר )הבוחן את התרומה הכמותית של שילוב תיוג מסוג גיל , ולכן איננו יכולים להעריך באופן כמותי את תרומת שילוב התיוגים להפחתת השגיאות במשימת זיהוי. 1. שגיאת מין .דוגמה נוספת לשגיאה שעלולה להתקבל היא אי- התאמה בין מין האדם שבתמונה הנבחנת ומין האדם בתמונה שנמצאה מתאימה- ראה דוגמה במסגרת אדומה ב איור2.3 . גם כאן ניתן לשפר את ביצועי המערכת על-ידי תיוג המין לתמונות שבמ אגר , ושילוב שאילתה פשוטה במשימת הזיהוי .נראה כי משמעות הוספת המידע של מין האדם לתמונתו , בהיבט שמירת הפרטיות ,היא פחותה יותר מאשר במקרה של הוספת מידע על גיל האדם , זאת משום שלרוב קל מאוד לזהות אם התמונה שייכת לגבר או לאישה גם ללא תיוג זה .גם במקרה זה איננו י כולים להעריך באופן כמותי את שיפור הביצועים בגלל היעדר מידע אקדמי(או אחר )שבחן סוגיה זו. 2. תיוג לתאומים (או כל מצב בו יש ריבוי ילדים מאותה הלידה.) כיוון שישנם קווי דמיון גבוהים בין פניהם של תאומים( או של ילדים רבים יותר מאותה הלידה- להלן תאומים) , ייתכן שיש מקום לתייג אוכלוסייה זו .תיוג זה נועד להעבר ת תוצאות הבחינה האוטומטית ל בקרה נוספת של בוחן אנושי . מידת השיפור בביצועים תלויה בהסתברות לקיום תאומים ולמידת הדמיון בפניהם. גם במקרה זה לא מצאנו פרסומים אקדמיים שבחנו את השפעת התיוג על השיפור בביצועים . נציין כי להוספת בוחנים אנושיים לתהליך יש משמעות כלכלית( עלויות כוח אדם ועלויות כספיות נוספות .)דיון נרחב בשילוב בוחנים אנושיים במשימת זיהוי מובא להלן. מעבר ל- Rank גבוה מ-3 4. כפי שהומחש היטב בפרק הרביעי ,למעבר ל- Rank גבוה מ-3 יש השפעה חיובית על ביצועי האלגוריתם , לאור ה קטנת ה הסתברות ל- FNIR כאשר המערכת מחזירה יותר מהתאמה אחת בלבד .כ מפורט בפרק ה רביעי(סעיף 81 ) , עבור אלגוריתםYitu_2 שנבחן בשלב השני של ה- FRVT-Identification-2018 ,הסיכוי ל אי- התאמה שגויה( FNIR ) יורד בפקטור3.0 כאשר עוברים מ- Rank-1 ל- Rank-5 ( עבורFNIR מיטבי). המעבר מהתייחסות ל- Rank-1 ,ש בה ניתן לבסס את משימת הזיהוי על מערכות ממוחשבות בלבד ,להתייחסות ל- Rank גבוה מ-3 , דורש שילוב של בוחנים אנושיים במשימת הזיהוי. 0. עיקר הפעילות של הבוחנים האנושיים היא השוואת זוגות של תמונות( הראשונה היא ה תמונ ה הנבחנת ,והשנייה היא תמ ונה שנמצאה מתאימה ב- Rank כלשהו) על מנת למצ ו א את הזוגות מחצ"ב 31/13 23 בלמ"ס המתאימים( כל השוואה של זוג תמונות היא משימת אימות בפועל.) נתייחס להלן בעיקר למעבר ל- Rank-5 .זאת ,בהתאם לבקשת היח ידה ליישומים ביומטריים. 1. בחנו פרסומים בנושא של ביצועי בוחנים אנושיים במשימה כזו ,ומצאנו הן פרסומים אקדמיים והן פרסומים שלNIST ש עוסקים בנושא. 9. שילוב בוחנים אנושיים במאמרים אקדמיים . אחד החוקרים העוסק רבות בסוגיות אלו הוא David White מאוניברסיטת ניו-סאות'-ווילס בסידני אוסטרליה . מבין המאמרים הרבים שפרסם מצאנו כי [White et al., 2015] הוא הרלוונטי ביותר לסוגיה זו. 31 . במסגרת המחקר המפורט ב- [White et al., 2015] הוכנו כ- 81 זוגות של תמונות , כאשר בחלק מהזוגות מופיע אותו אדם ובחלק אחר מופיעים אנשים שונים . זוגות ה תמונות נבחרו כך שיקשו על ההחלטה (ראה איור2.8 ). איור2.8 :דוגמה לזוגות תמונות במחקר המתואר ב- [White et al., 2015] 33 . זוגות התמונות הוצגו למשכי זמן שונים(8 שניות או11 שניות )וב מצגים שונים( תמונות במצג מקורי או תמונות הפוכות .) 38 . זוגות התמונות הוצגו לאוכלוסיות שונות לצורך הערכת מידת התאמתן: א. Examiners - מומחים בזיהוי פורנזי( Forensic facial identification examiners .) אנשים שעברו הכשרה רחבה בנושא זיהוי פנים לצרכים פורנזיים . אנשים אלו מקובלים במערכת המשפטית כבני-סמכא לזיהוי אנשים על-ידי תמונות פנים; בלמ"ס 28 מחצ"ב 31/13 ב. Control 1 - בקר ים ( Managers, technical experts or administrators in biometric systems .) אנשים שעברו הכשרה בנושא זיהוי פנים ,אך אינם נחשבים למומחים פורנזיים בני- סמכא; ג. Students - סטודנטים( University students .) אנשים שלא עברו הכשרה מקדימה בנושא זיהוי פנים. 31 . כאמור, המבחן שמבצעים הבוחנים האנושיים הוא בפועל משימת אי מות. על- כן נוהגים להציג את הביצועים ע ל-ידי עקומתROC 2 או על-ידי הערך של השטח תחת עקומה זו. ככל שהשטח תחת עקומת ה- ROC גדול יותר, יש לבוחן(או לאלגוריתם ) כושר הבחנה טוב יותר בין אנשים שונים. 31 . ב איור2.1 מוצגים ביצועי הבוחנים האנושים במחקר( נתייחס לתוצאות המבחן של11 שניות המוצגות בצד הימני .) נראה כי הביצועים גבוהים יותר כאשר בוחנים תמונות למשך זמן ארוך יותר וכאשר הן מוצגות במצג המקורי(ולא ההפוך .) את הביצועים הגבוהים ביותר הציגה קבוצת המומחים הפורנזיים ,לאחריהם קבוצת הבקרים ולבסוף קבוצת הסטודנטים . קבוצת הבקרים השיגה(בממוצע )שטח של כ- 1.9 תחת עקומת ה- ROC - המשמעות היא שבהסתברות של91% הציון שיקבל זוג תמונות מתאים(אות ו אדם) יהיה גבוה מהציון שיקבל זוג תמונות לא מתאים (אנשים שונים). איור2.1 :ביצועי בוחנים אנושים ב- [White et al., 2015] ________________________________ ________________________________ _________ 1 בחירת המחברים במונחControl באה ככל הנראה בעקבות עיסוקם של החברים בקבוצה זו כבקרים( למשל במעברי גבול) ,ולא לצורך הגדרתם כקבוצת בקרה במחקר אקדמי. 2 עקומתROC - היא גרף שמסכם את כל זו גות הערכים האפשריים של ה- FMR וה- FNMR , שמתקבלים כאשר משנים באופן רציף את סף ההחלטה מערכ ו הנמוך ביותר לערכ ו המרבי (ציר ה- X של ה- ROC מייצג את ה- FMR ,וציר ה- Y שלו מייצג את ה- FNMR .)בהקשר של מערכות ביומטריות ,גודל השטח שמתחת לגרף ה- ROC מהווה מדד ליכולת המערכת להפריד בין נבדקים אמיתיים לנבדקים מתחזים [ממן וגופר , 8130 ] מחצ"ב 31/13 21 בלמ"ס 32 . ה מחקר בחן גם את ה השפע ה של היתוך תוצאות של בוחנים אנושיים(מאותה קבוצה ) על הביצועים. איור2.1 מציג את התוצאות של בדיקת הי תוך התוצאות .המחקר העלה כי: א. בהיתוך תוצאות בין1 סטודנטים מתקבלים ביצועים שווי- ערך לביצועים של מומחה פורנזי יחיד; ב. בהיתוך תוצאות בין9 סטודנטים מתקבלים ביצועים שווי- ערך לביצועים המתקבלים מהיתוך תוצאות בין8 מומחים פורנזיים; ג. התמורה השולית של הוספת בוחנים פוחת ת לאורך זמן , והחל משלב מסוים הוספת עוד ועוד בוחנים להיתוך לא תשפר את התוצאות. איור2.1 :השפעת היתוך תוצאות בוחנים אנושיים על הביצועי ם ב- [White et al., 2015] 34 . שילוב בוחנים אנושיים- NIST . גם בבדיקות שמבצעNIST נבחנה סוגיית שילוב הבוחנים האנושיים והשוואתם לביצועי אלגוריתמים .ב- [NIST, 2018] מופיעה התייחסות לנושא זה . המאמר המתאר את המחקר באופן מלא מפורט ב- [Phillips et al., 2018] ( ומידע רלוונטי נוסף מפורט גם ב- [Phillips et al., 2018a] .) 30 . ב- NIST גיבשו צוות של חוקרים רבים מכל העולם( לרבותDavid White שמחקרו האקדמי הוזכר לעיל )לצורך בחינת הנושא . במסגרת המחקר נעשה שימוש באותם81 זוגות של תמונות מ- [White et al., 2015] ( ראה איור2.8 .)במחקר זה לא הייתה בפועל מגבלת זמן . לכלל האוכלוסיות שנבחנו ניתנו1 חודשים לבחינת התאמת(או אי-התאמת ) 81 זוגות התמונות , למעט לקבוצת הסטודנטים שהתבקשו להשלים את מבחן ההתאמה במושב( session )אחד. 31 . הפעם התבקשו המשתתפים לדרג את מידת ההתאמה בסולם של0 דרגות , בהתאם לרמת הביטחון שלהם בתשובתם( ערכים חיוביים1-3 לציון התאמה ברמת ביטח ון עולה בהתאם למספר ,ובהתאם ערכים שליליים לציון אי-התאמה .) בלמ"ס 21 מחצ"ב 31/13 39 . זוגות התמונות הוצגו גם במחקר זה לאוכלוסיות שונות לצורך הערכת מידת התאמתן: א. Examiners - מומחים בזיהוי פורנזי( Forensic facial identification examiners .) אנשים שעברו הכשרה רחבה בנושא זיהוי פנים לצרכי ם פורנזיים . אנשים אלו מקובלים במערכת המשפטית כבני-סמכא לזיהוי אנשים על-ידי תמונות פנים . המומחים התבקשו לעשות שימוש בכלים המקובלים שבידם(זיהוי פורנזי ) לצורך בחינת התאמת(או אי-התאמת ) זוגות התמונות שבמחקר; ב. Reviewers - בוחנים( Forensically trained facial reviewers .) אנשים שעברו הכשרה בנושא זיהוי פנים ,אך אינם נחשבים מומחים פורנזיים בני-סמכא; ג. Super-Recognizers - מבחיני- על( untrained super-recognizers ). אנשים שיש להם יכולת טבעית מולדת לזיהוי אנשים בהסתברות גבוהה , ואין להם ידע ואימון מקדים; ד. Fingerprint - בוחני ט ביעות אצבעות( fingerprint examiners ) . אנשים שעברו הכשרה רחבה בנושא זיהוי טביעות אצבעות לצרכים פורנזיים . אנשים אלו מקובלים במערכת המשפטית כבני-סמכא לזיהוי אנשים על-ידי טביעות אצבעות . לצורך המחקר לא קיבלו אנשים אלו ידע ואימון מקדים בנושא זיהוי פנים; ה. Students - סטודנטים( University students ). אנשים שלא עברו הכשרה מקדימה בנושא זיהוי פנים. 81 . ב איור2.2 מוצגים הביצועים הכמותיים של קבוצות הבוחנים השונות . גם הפעם במחקר זה מוצגים הביצועים במונחי השטח שמתחת לעקומתROC . נוסף לכך מוצגים גם ביצועיהם של מספר אלגוריתמים שבחנו את אותן תמונות( A2015, A2016, A2017a & A2017b .) איור2.2 : ביצועי בוחנים אנושיים במבחןNIST מחצ"ב 31/13 22 בלמ"ס 83 . במחקר זה ,בדומה למחקר שנסקר לעיל , מבין קבוצות הבוחנים האנושיים השונות הביצועים הטובים ביותר היו של קבוצת המומחים הפורנזיים . ניתן לראות כי ביצועי האלגוריתםA2017b ע ולים על ביצועיהם הממוצעים של כלל קבוצות הבוחנים ואף על אלו של קבוצת המומחים הפורנזיים שהוקצב ו להם1 חודשים להשלמת המענה(אם- כי סביר שבפועל הזמן שהוקדש לכך היה מועט יותר.) 88 . לצורך שיפור הביצועים , בחנו גם במחקר זה היתוך תוצאות . נבחן היתוך תוצאות של בוחנים אנושיים מאותה קבוצ ה , וכן נבחן היתוך תוצאות של בוחנים אנושיים ו של אלגוריתמים: א. היתוך תוצאות של בוחנים אנושיים מאות ה קבוצות בוחנים- איור2.4 מציג את שיפור הביצועים בעקבות היתוך תוצאות של בוחנים אנושיים מאותה קבוצה( עבור הקבוצות השונות) . נראה כי היתוך תוצאות של31 סטודנטים אינו מספק ביצועים שווי- ערך למומחה פורנזי יחיד . נראה כי היתוך תוצאות של8 מבחיני- על(או יותר )הוא שווה- ערך להיתוך תוצאות של8 מומחים פורנזיים(או יותר בהתאם); איור2.4 :היתוך תוצאות בין בוחנים מאותן קבוצות בוחני ם במבחןNIST ב. היתוך תוצאות של בוחנים אנושים ושל אלגורית מי ם- איור2.0 מציג את הביצועים המתקבלים מהיתוך תוצאות של מומחים פורנזיים ואלגוריתמים שונים שנבחנו במבחן NIST . איור2.1 מציג את הביצועים המתקבלים מהיתוך תוצאות של מבחיני- על ואלגוריתמים שונים במבחןNIST .על- אף הקושי להשליך מתוצאות מבחןNIST , בעיקר בגלל משך הזמן הארוך מאוד שניתן לבוחנים האנושיים להשלים את המבחן , ניתן לראות כי היתוך של תוצאות מומחה פורנזי או מבחין- על עם אלגוריתם המציג ביצועים טובים במשימת אימות ,מביא לביצועים מעולים .עבור היתוך כזה , מתקבל שטח מתחת לעקומת ROC קרוב מאוד ל-3 , כאשר המשמעות היא שבכמעט311% מהמקרים התוצאה שתתקבל היא התאמה נכונה של זוגות מתאימים ,ואי- התאמה נכונה של זוגות שאינם מתאימים(שייכים לאנשים שונים .) בלמ"ס 24 מחצ"ב 31/13 איור2.0 :היתוך תוצאות מומחים פורנזיים עם אלגוריתמים ב מבחןNIST איור2.1 :היתוך תוצאות מבחיני- על עם אלגוריתמים במבחןNIST 81 . מבדיקת היתוך התוצאות עולה כי ישנה היתכנות להשלמת משימת זיהוי , המחזירה מספר התאמות אפשריות( Rank גדול מ-3 )על-ידי השלמת משימות אימות . זאת כאשר תוצאות הערכת מבחין- על(או מומחה פורנזי )עובר ות היתוך עם תוצאות אלגוריתם מוביל במשימת אימות . 81 . לא מצאנו ב- [Phillips et al., 2018] (כמו גם ב- [Phillips et al., 2018a] ) תוצאות היתוך של סטודנטים עם אלגוריתם . סביר שהסיבה לכך היא שהיתוך כזה עלול להביא לירידה בביצועים (אל מול אלגוריתם בלבד) ,שכן כפי שניתן לראות ב איור2.2 , הביצועים שהשיגו סטודנטים ירודים באופן משמעותי לעומת ביצועי האלגוריתם . המשמעות היא שייתכן שלא ניתן להגיע מחצ"ב 31/13 20 בלמ"ס לביצועים הנדרשים כאשר נעזר ים בבוחנים אנושיים שאינם ברמת מומחים פורנזיים או מבחיני- על. דוגמה למשמעויות של שילוב בוחנים אנושיים 82 . כאמור ,אחת הדרכים להוריד את רמת ה- FNIR היא להעלות את ה- Rank . המשמעות של העלאת ה- Rank מעבר ל- Rank-1 היא שבמשימת זיהוי יכולות להתקבל מספר תמונות מהמאגר שעברו את ערך הסף. לצורך מציאת התמונה הנכונה נדרש לבצע תהליך סינון נוסף . אחת הדרכים לסינון הנוסף הנדרש היא שילוב בוחנים אנושי ים ,כמו גם בחינת זוגות תמונות על-יד י אלגורי ת מי אימות. 84 . על-מנת להעריך את כוח האדם שיידרש לצורך השלמת משימת הזיהוי ע- ידי בוחנים אנושיים בשילוב עם אלגוריתם אימות מיטבי ,נניח את ההנחות הבאות: א. בכל יום מתבצעות1111 משימות זיהוי; ב. היתוך תוצאות של אלגוריתם אימות מיטבי עם מומחה פורנזי(או מבחין-על ) עומד במדדי הייחוס למשימת זיהוי; ג. היתוך תוצאות של1 עובדים ללא מומחיות רבה בזיהוי פנים( בהערכת ביצועי עובדים אלו אנו מתייחסים לביצועים שהציגו סטודנטים במחקרים שתוארו לעיל ) מספק ביצועים דומים ל מומחה פורנזי יחיד(או מבחין-על); ד. האלגוריתם של משימת הזיהוי עומד ב מדדי הייחוס( FNIR=0.05 , FPIR=0.01 ) עבור Rank-5 ,וכן ב- FNIR=0.1 ל- Rank-1 ( כמו למשל עבור אלגוריתםYitu_2 – ראה טבלה1.2 לעיל.) 80 . בהינתן ערך סף ,המביא ל- FPIR=0.01 , צפוי כי במשימת זיהוי לאנשים שאינם כלולים במאגר יתקבלו ב- 3% מהמקרים התאמות לא מוצדקות , ואז יידרש תהליך"זיכוי " שבמהלכו ייבחנו ההתאמות הטובות ביותר לשלילת ההתאמה(כמו גם האפשרות להתחזות .) אנו מניחים כי בתהליך זיכוי זה ייבחנו2 ההתאמות הטובות ביותר(שכולן ע ברו את ערך הסף ) - זו הנחה שרירותית שנלקחה לצורך שמירת עקביות עםRank-5 . 81 . ב הנחה ש עבורRank-5 מתקבלFNIR=0.05 , אזי המשמעות היא של- 2% מהנבדקים הכלולים במאגר תתקבל אי-התאמ ה מוטעי ת ( במקרים אלו ההתאמה הנכונה נמצאת מה- Rank ה-4 ומעלה). בהנחה ש עבורRank-1 מתקבלFNIR=0.1 ,אזי המשמעות היא של- 31% מהנבדקים הכלולים במאגר לא תתקבל הזהות הנכונה ב- Rank-1 ולכן יהיה צורך ב השלמת משימת הזיהוי לע-די י בוחנים אנושיים .לפיכך , לאחר השלמת בחינת2 ההתאמות הטובות ביותר ובחירת הזהות הנכונה מתוכָּן ,יהיה ה- FNIR הכולל של התהליך- 2% . בלמ"ס 21 מחצ"ב 31/13 89 . לאור זאת , היקף עבודת הבוחנים האנושיים תלויה בתמהיל של האנשים העוברים משימת זיהוי בכל יום- האם הם כלולים במאגר או שאינם כלולים בו. אם כל1111 האנשים אינם כלולים במאגר , נדרש לבצע אימות"(זיכוי )"ל- 111 זוגות תמונות על- ידי בוחנים אנושיים כל יום(ל- 3% מ- 1111 יהיה צורך בבחינה אנושית של2 ההתאמות הטובות ביותר) . אם כל1111 האנשים כלולים במאגר ,אזי נדרש לבצע אימות למציאת התאמה לכ- 1111 זוגות תמונות (ל- 31% מ- 1111 לא תתקבל ההתאמה ב- Rank-1 , ויהיה צורך בבחינה אנושית של2 ההתאמות הטובות ביותר) . איור2.9 ש להלן מתאר את התלות של מספר זוגות התמונות הנדרש לבחינה בתמהיל האנשים העוברים משימת זיהוי. נראה כי לאורך זמן , היקף העבודה יע לה ככל שיותר אנשים יוכללו במאגר (עבור מספר קבוע של משימות זיהוי בכל יום). 11 . אם לבוחן אנושי נדרשות כ- 11 שניות לצורך גיבוש דעתו על התאמת/אי- התאמת זוג תמונות המוצג לו , אזי לצורך בחינת111 זוגות ביום יידרשו כשלוש שעות ביום , ואילו לצורך בחינת1111 זוגות תמונות יידרשו כ- 11 שע ות ביום .לצורך השלמת המשימה , ובהנחה של1 שעות עבודה ביום ,יידרשו: א. מומחים פורנזיים או מבחיני- על- 3 במקרה המקל( 1.18 ) ,ו-2 במקרה המחמיר( 1.8 ); ב. עובדים ללא מומחיות בזיהוי פנים - 1 במקרה המקל , ועד81 במקרה המחמיר. איור2.9 : התלות של היקף תהליך האימות המשלים בתמהיל האנשים במשימת זיהוי מחצ"ב 31/13 29 בלמ"ס סיכו ם והמלצות 13 . להוספת תיוגים לתמונות המאגר הביומטרי וסינון התוצאות באמצעותם תהיה תרומה לשיפור הביצועים לו הפחתת הטעויות במשימת זיהוי. לא מצאנו פרסומים ש בהם הוערכה תרומה זו באופן כמותי . 18 . בהתאם לכך ,לצורך שיפור התוצאות במשימת הזיהוי , מומלץ להוסיף תיוגים לתמונות המאגר- מין , גיל(גם אם לא תאריך מדויק )ותאומים . הוספת תיוגים ושאילתה פשוטה יכולות למנוע טעויות רבות ולשפר את ביצועי המערכת( Rank-1 .) 11 . דרך נוספת לשפר את הביצועים היא להעלות את ה- Rank המתקבל כמענה למשימת הזיהוי (השיפור הכמותי בביצועים עקב שינוי זה תואר בפרק הרביעי) , אך בעקבות כך עולה הצורך בשילוב בוחנים אנושיים בתהליך . היקף העבודה של הבוחנים האנושים תלוי בתמהיל האנשים העוברים משימת זיהוי(כלולים או לא כלולים במאגר .)ככל שייכללו יותר אנש ים במאגר( זהו התהליך הצפוי) ,כך צפוי היקף העבודה לעלות .אם יוחלט לעבור ל- Rank גדול מ-3 , מומלץ לבצע היתוך של תוצאות אלגוריתם מוביל לאימות עם תוצאות של בוחנים אנושיים . מומלץ שבמקרה כזה ,הבוחנים האנושיים יהיו מבחיני- על(או אנשים בעלי הסמכה דומה למומחים פורנזי ים) . מחצ"ב 31/13 43 בלמ"ס פרק י יש ש התמודדות עם מתחזים כללי 3. אחת הבעיות המרכזיות בשימוש במאגרים ביומטריים לצרכים שונים , ובפרט לצרכים מדינתיים רשמיים ,היא ניסיונו ת ההתחזות . פרק זה עוסק במצבי ההתחזות השונים וביכולת לזהות מקרים אלו. 8. לצורך בחינת הנושא נ עזרנו במדדי הייחוס המפורטים בצו([מדינת ישראל , 8133 ] :) א. דרישה31 . ג שמפרטת מדדים ל- FNIR ( 1.12 )ו- FPIR ( 1.13 למאגר המכיל31 מיליון תמונות ) במשימת זיהוי; ב. דרישה31 . ד אשר מגדירה מדדים לזיהוי מתחזים- הצורך לזהות92% מ ניסיונות ההתחזות ,ו עצירת תהליך ההנפקה . מיפוי מצבים במערכת 1. על-מנת לבחון את יכולת ההתמודדות עם מתחזים , מיפינו את המצבים האפשריים הן עבור אזרח תמים( ראה איור4.3 להלן ) והן עבור מתחזה( ראה איור4.8 להלן ) המבקשים להנפיק מסמכי זהות. 1. באיורים אלו מסומנים המצבים על-ידי מלבנים .צבע המלבנים מעיד על המקרים הבאים: א. צבע ירוק - תהליך תקין ש בו ההנפקה לא נעצרה ולא היה ניסיון התחזות; ב. צבע צהוב- הנפקה נעצרה בעקבות חשד להרכשה כפולה או חשד להתחזות; ג. צבע אדום - מצבים שבהם לא נעצרה ההנפקה על-אף ההתחזות. אזרח תמים 2. אדםZ טוען שהואZ (ראה מיפוי המצבים ב איור4.3 ש להלן) .במסגרת בחינת המצבים כללנו את האפשרות שהמאגר מכיל/אינו מכיל אמצ ע ים או נתונים ביומטריים של האזרח התמים( Z ) , כמו גם את האפשרות שבעבר התחזה אדםX ל- Z ( בעקבות כך יש במאגר אמצעים או נתונים ביומטריים המשויכים בטעות ל- Z ). בלמ"ס 48 מחצ"ב 31/13 תמים אדםZ שטוען שהואZ משימת זיהוי המאגר מכיל אמצעים או נתונים ביומטריים משויכים -לZ ומתאימים לו משימת זיהוי המאגר לא מכיל אמצעים או נתונים ביומטריים -המשויכים לZ -התאמה לZ TPIR ההנפקה לא נעצרה תקין התאמה למאגר-אי FNIR ההנפקה נעצרה חשד להתחזות התאמה למאגר-אי TNIR ההנפקה לא נעצרה תקין -התאמה לR כלשהו FPIR ההנפקה נעצרה חשד להרכשה כפולה -התאמה לR כלשהו FPIR ההנפקה נעצרה חשד להרכשה כפולה משימת זיהוי המאגר מכיל אמצעים או נתונים ביומטריים משויכים -לZ - אך מתאימים לX -אי התאמה לZ TNIR ההנפקה נעצרה חשד להתחזות -התאמה לR כלשהו FPIR ההנפקה נעצרה חשד להרכשה כפולה -התאמה לנתוניX FPIR*ספציפי - ההנפקה לא נעצרה לא התגלתה ההתחזות שלX איור4.3 :מיפוי מצבים אפשריים למשימת זיהוי של אדם תמים 4. כיוון שהדרישה מתייחסת לזיהוי של ניסיונות התחזות , המקרה הרלוונטי היחיד לאדם תמים ( Z ) הוא האפשרות שאדםX התחזה בעבר ל- Z . ההתחזות המוקדמת שלX ל- Z לא תתגלה אם תתקבל התאמה מוטעית בין האמצעים והנתונים העדכניים שלZ לאלו שלX המוכלים במאגר . במקרה זה מדובר על התאמה מוטעית ספציפית ל- X ( FPIR* ) ,שהסתברות ה אמורה להיות נמוכה יותר מאשר ה הסתברות הכוללת להתאמה מוטעית( FPIR ) . אם האלגוריתם עומד ב מדדי הייחוס( FPIR=0.01,N=107 ) , אזי ההסתברות לזיהוי התחזות ולעצירת ה הנפקה במקרה זה תהיה גבוהה מ- 99% , ותושג עמידה במדד הייחוס לגילוי מתחזים( מעל92% ). מתחזה 0. אדםX טוען שהוא אדםY (ראה מיפוי המצבים ב איור4.8 ש להלן) . לצורך בחינת האפשרות להתחזות ,בחנו את המצבים האפשריים הבאים : א. המאגר אינו מכיל את האמצעים והנתונים הביומטריים שלX ואף לא את אלה שלY ; ב. המאגר מכיל את האמצעים וה נתונים הביומטריים שלY , אך לא את אלה שלX ; ג. המאגר מכיל את האמצעים והנתונים הביומטריים שלX , אך לא את אלה שלY ; מחצ"ב 31/13 41 בלמ"ס ד. המאגר מכיל את האמצעים והנתונים הביומטריים שלX ושלY . מתחזה אדםX טוען שהוא אדםY משימת זיהוי המאגר מכיל אמצעים או נתונים ביומטריים גם שלX וגם שלY משימת זיהוי המאגר לא מכיל אמצעים או נתונים לא של ,ביומטריים X ולא שלY -התאמה לX TPIR ההנפקה נעצרה חשד להרכשה כפולה -התאמה לR כלשהו FPIR ההנפקה נעצרה חשד להרכשה כפולה התאמה למאגר-אי TNIR ההנפקה לא נעצרה הצלחה בהתחזות -התאמה לR כלשהו FPIR ההנפקה נעצרה חשד להרכשה כפולה משימת זיהוי המאגר מכיל אמצעים או נתונים ביומטריים שלY אך לא שלX משימת זיהוי המאגר מכיל אמצעים או נתונים ביומטריים שלX אך לא שלY -התאמה לX TPIR ההנפקה נעצרה חשד להרכשה כפולה התאמה למאגר-אי TNIR ההנפקה נעצרה חשד להתחזות -התאמה לR כלשהו FPIR ההנפקה נעצרה חשד להרכשה כפולה -התאמה לY FPIR*ספציפי - ההנפקה לא נעצרה הצלחה בהתחזות -התאמה לR כלשהו FPIR ההנפקה נעצרה חשד להרכשה כפולה התאמה למאגר-אי FNIR ההנפקה לא נעצרה הצלחה בהתחזות התאמה למאגר-אי FNIR ההנפקה נעצרה חשד להתחזות -התאמה לY FPIR*ספציפי - ההנפקה לא נעצרה הצלחה בהתחזות איור4.8 :מיפוי מצבים אפשריים למשימת זיהוי של מתחזה בלמ"ס 41 מחצ"ב 31/13 1. לאור המצבים האפשריים , עולה כי ההסתברות לזיהוי התחזות ולעצירת הנפקה תלויה בקיום האמצעים והנתונים הביומטריים שלX ו/ או שלY במאגר(או ה י עדרם .) נפרט להלן את ההסתברויות השונות: א. המאגר אינו מכיל לא את האמצעים והנתונים הביומטריים שלX ולא את אלה שלY - במקרה זה י ש סיכוי גבוה מאוד שמשימת הזיהוי תחזיר תשובה של אי- התאמה מוצדקת ( TNIR )ושההנפקה לא תיעצר . ההנפקה תיעצר רק אם תתקבל התאמה מוטעית ביןX ובין אדם כלשהוR מהמאגר( FPIR .) אם האלגוריתם עומד במדדי הייחוס( FPIR=0.01, N=107 ) ,אזי ההסתברות שההנפקה תיעצר היא כ- 3% .נרא ה כי לא ניתן יהיה לעמוד במדד הייחוס לגילוי מתחזים( מעל92% )על-ידי ביצוע משימות זיהוי בלבד , וכי נדרש תהליך אימות יעיל בזמן נטילת האמצעים או הנתונים הביומטריים מ- X ,על- מנת למנוע את התחזותו; ב. המאגר מכיל את האמצעים והנתונים הביומטריים שלY אך לא את אלה שלX - במקרה זה הסיכוי שהמתחזה יצליח להתחזות הוא נמוך מאוד , בעקבות התאמה מוטעית ספציפית ביןX וביןY במאגר( FPIR* ) , שהסתברותה אמורה להיות נמוכה מההסתברות הכוללת להתאמה מוטעית( FPIR .)ההנפקה תיעצר בגלל אי- התאמה מוצדקת ביןX ובין המאגר( TNIR ) - הסתברות גבוהה מאוד , או בגלל התאמה מוטעית ביןX ובין אדם כלשהוR מהמאגר( FPIR ) - הסתברות נמוכה יחסית . אם האלגוריתם עומד במדדי הייחוס( FPIR=0.01, N=107 ) ,אזי ההסתברות שההנפקה תיעצר תהיה גבוהה יותר מ- 99% , ותושג עמידה במדד הייחוס לגילוי מתחזים( מעל92% ); ג. ה מאגר מכיל את האמצעים והנתונים הביומטריים שלX אך לא את אלה שלY - במקרה זה הסיכוי שהמתחזה יצליח להתחזות הוא נמוך ,וזאת בעקבות אי- התאמה מוטעית בין הדגימה הביומטרית העדכנית שלX ובין הדגימה הביומטרית שלX שבמאגר( FNIR .) ההנפקה צפויה להיעצר בהסתברות גבוהה מאו ד בגלל התאמה מוצדקת ביןX עדכני ובין X מהמאגר( TPIR ) , או בהסתברות נמוכה בגלל התאמה מוטעית ביןX ובין אדם כלשהוR מהמאגר( FPIR .) אם האלגוריתם עומד במדדי הייחוס( FNIR=0.05, FPIR=0.01, N=107 ) , אזי ההסתברות שההנפקה תיעצר היא92% , ומושגת עמידה(גבולית )במדד היי חוס לגילוי מתחזים( מעל92% ); ד. המאגר מכיל את האמצעים והנתונים הביומטריים שלX ושלY - במקרה זה הסיכוי שהמתחזה יצליח להתחזות הוא נמוך מאוד , בעקבות התאמה מוטעית ספציפית ביןX וביןY במאגר( FPIR* .) ההנפקה תיעצר בהסתברות גבוהה מאוד בגלל התאמה מוצדקת בין הדגימה ה ביומטרית העדכנית שלX ובין הדגימה הביומטרית שלX שבמאגר( TPIR ) , או בהסתברות נמוכה בגלל אי- התאמה מוטעית ביןX וביןY מהמאגר( FNIR ) או בגלל התאמה מוטעית ביןX ובין אדם כלשהוR מהמאגר( FPIR .) אם האלגוריתם עומד במדדי מחצ"ב 31/13 42 בלמ"ס הייחוס( FPIR=0.01, N=107 ) , אזי הסיכוי שההנפקה תיעצר גבוה יותר מ- 99% , ומושגת עמידה במדד הייחוס לגילוי מתחזים( מעל92% ). סיכום 9. נראה כי בהינתן אלגוריתם המציג ביצועים גבוהים ,לדוגמה עומד במדדי הייחוס המפורטים בצו , הקושי המהותי היחיד בהתמודדות עם מתחזים הנו כאשר אדם מנסה להתחזות לאדם אחר , והמאגר אי נו מכיל את האמצעים והנתונים הביומטריים הן של המתחזה והן של האדם שאליו הוא מנסה להתחזות .במקרה כזה צפוי כי תשובת משימת הזיהוי תהיה אי- התאמה מוצדקת ( TNIR )בהסתברות גבוהה מאוד ,ועל- כן נדרש תהליך סינון אחר לצורך מניעת התחזות כזו ( בעיית ההרכשה הראשונה היא בעיה מוכרת ורלוונטית לכל מאגר ביומטרי). מחצ"ב 31/13 40 בלמ"ס נספח א' מאגרי נתונים במחקרים אקדמיים 3. בנספח זה נסקור את מאגרי התמונות והמידע(להלן :מאגרי נתונים ) העיקריים המשמשים את החוקרים באקדמיה . ככל שביצועי מערכות המחשב משתפרים והאלגוריתמים המשמשים למש ימות אימות וזיהוי מתפתחים , כך עולה הצורך במאגרי נתונים גדולים יותר ויותר . בניית מאגר נתונים גדול עם מידע מלווה(זהות המצולם ,מועד הצילום ,גיל ,מין ,שיוך אתני וכ דומה ) הוא משימה מורכבת המאתגרת את החוקרים באקדמיה , שלרוב לא עומדים לרשותם האמצעים הנדרשים להכנת מאגר כזה .כמענה חלקי לסוגיה ,ולאור שפע המידע הקיים ברשת האינטרנט , חלק ממאגרי המידע נבנו מתמונות ונתונים שפורסמו ברשת זו ,גם על חשבון קבלת אי- דיוקים במידע הנוסף לתמונות(זהות האדם שבתמונה ,מועד צילום ,גיל וכדומה) . נוסף לכך , מאגרים קיימים שנבדקו וסוננו ,משמ שים כאמת- מידה( Benchmark 1 )במחקרים האקדמיים השונים , ועל-כן רוב המחקרים מציגים את ביצועי האלגוריתמים שלהם על אותם מאגרי נתונים. מאגרMORPH 8. זהו אחד המאגרים הגדולים המשמש באופן נרחב במחקרים אקדמיים לניתוח והשוואת ביצועי האלגוריתמים . המאגר נבנה מתמונות של עצורים( Mugshots ) .תמונות אלו מכילות לרוב את פלג הגוף העליון והפנים , זווית הצילום בהן היא לרוב ניצבת למישור הפנים ,ו תנאי ה תאורה הם טובים מאוד . 1. יחד עם זאת, בחלק מהתמונות המצולמים אינם משתפים פעולה ומעוותים את פניהם ("פרצופים" .)כיוון שרוב המצולמים חזרו ו נע צרו שוב ושוב, נאספו תמונות שלהם לאורך השנים. על כן, מחקרים אקדמיים רבים, העוסקים בביצועי אלגוריתמים במשימות אימות וזיהוי תחת השפעת ההזדקנות, עושים שימוש במאגר זה. 1. בפועל קיימים1 מאגריMORPH : MORPH-I , MORPH-II (אקדמי) , MORPH-II (מסחרי) . מאגרי הנתונים מרוכז ים ומתוחזקים על-ידי אוניברסיטת צפון קרוליינ ה ( UNCW ) , וניתן לרכוש אותם מאתר ה אינטרנט של ה אוניברסיטה . 2. מאפייני מאגריMORPH השונים מפורטים להלן: א. MORPH-I ( [Ricanek et al., 2006] , [UNCW, 2018] ) - התמונות ש במאגר זה נאספו בשנים 3991-3948 ( ייתכן שלאחר מכן נוספו עוד אנשים ותמונותיהם, אך מעט יחסית .) התמונות נסרקו , עברו עיבוד לשיפור איכות התמונה והועברו לסקאלת שחור-לבן . מאגר ________________________________ ________________________________ _________ 1 חוקרים רבים בוחרים להציג את תוצאות עבודותיהם באופן מותאם לתוצאות מחק רים קודמים ,וזאת על- מנת שניתן יהיה להשוות בין הביצועים של האלגוריתמים השונים במחקרים אלו. בלמ"ס 41 מחצ"ב 31/13 זה מכיל כ- 211 אנשים וכ- 3011 תמונות שלהם ,כאשר כ- 30% מהתמונות ה ן של נשים וכ- 11% מהתמונות ה ן של גברים(בכ- 02% מתמונות הגב רים יש על הפנים שיער- בד רך כלל שפם .)תחום הגילאים של האנשים במאגר הוא 41-32 , הגיל הממוצע של המצולמים במאגר הוא80.1 שנים וסטיית התקן של הגיל היא1.4 שנים . תחום ההזדקנות במאגר הוא מ- 3.2 חודשים עד89 שנים . המאגר מכיל פירוט על ה שיוך ה אתני של האנשים :אפרו- אמר נ יק ים( 01% ) , אירופאים( 82.2% ) ואחר( < 3% .) המאגר מכיל גם נתונים נוספים לכל תמונה ,לרבות :משקל האדם בעת צילום התמונה ,משקפי םי (יש או אין) ואיכות התמונה (גרועה ,סבירה ,טובה) .ב איור א.3 ש להלן מוצגת דוגמ ה לתמונות ו ל נתונים ממאגר MORPH ; איור א.3 :דוגמ ה לתמונות של אותו אדם ממאגר הנתוניםMORPH ב. MORPH-II 2 (אקדמי) [UNCW, 2018a] - התמונות ש במאגר נאספו בשנים8110-8111 . ה מאגר מכיל כ- 31,111 אנשים וכ- 22,111 תמונות שלהם ,כאשר כ- 32% מהתמונות ה ן של נשים וכ- 12% מהתמונות ה ן של גברים .תחום הגילאים של האנשים במאגר הוא 00-34 נים ש ,ו הגיל הממוצע של המצולמים במאגר הוא11 שנים . לכל אדם במאגר יש בממוצע1 תמונות . תחום ההזדקנות הוא1.4-1 שנים ,כאשר הממוצע הוא חצי שנה . התפלגות התמונות בהתאם למוצא אתני :אפרו-אמריק נ ים( 00% ) , אירופאים( 39% ) , היספאנים( 1% ) , אסיאתים( < 3% ) ואחר( < 3% .)מידע נ וסף במאגר הנתונים- זהה למאגר MORPH-I ; ג. MORPH-II (מסחרי ) [UNCW, 2018b] - נראה כי מאגר זה מכיל הן את התמונות ממאגרMORPH-II (אקדמי ) והן תמונות שנוספו לאחר8110 . ככל הנראה המאגר מתעדכן באופן עיתי ,ועל- כן הוא מכיל תמונות שנאספו משנת8111 ועד היום ( בחלק מהמאמרים צ וינו מספרים קטנים יותר של אנשים ותמונות במאגר מאלו שפורטו ב- [UNCW, 2018b] ,ככל הנראה בהתאם למועד הרכישה של זכויות השימוש .) מאגר זה ________________________________ ________________________________ _________ 2 לעיתים נקרא גם לא מסחרי( Non-Commercial .) מחצ"ב 31/13 49 בלמ"ס מכיל כ- 14,111 אנ שים וכ- 322,111 תמונות שלהם ,כאשר כ- 30% מהתמונות ה ן של נשים וכ- 11% מהתמונות ה ן של גברים .תחום הגילאים של האנשים במאגר הוא 01-32 ,ו הגיל הממוצע של המצולמים במאגר הוא11 שנים. לכל אדם במאגר יש בממוצע1.1 תמונות. תחום ההזדקנות הוא 0.32-1 שנים ,כאשר הממוצע הוא כ- 1.4 ים שנ . התפלגות התמונות בהתאם למוצא אתני :אפרו-אמריק נ ים( 01% ) , אירופאים( 83% ) , היספאנים( 1.2% ) , אסיאתים( < 3% ) ואחר( < 3% .) מידע נוסף במאגר הנתונים- זהה למאגרMORPH-I . 4. משמעויות של שימוש במאגריMORPH . איסוף התמונות והמידע לצורך בניית מאגרי MORPH הוא סדור ושיטתי. הוא מתאים באופן עקרוני לבניית מאגר ביומטרי ,בפרט : תאריכים(לידה וצילום) ,זוויות צילום ניצבות למישור הפנים ותאורה אחידה. 0. מסיבה זו הפכו מאגרים אלו , ובפרט מאגריMORPH-II ,ל אמת- מידה ל בחינת אלגוריתמים של אימות וזיהוי פנים .יחד עם זאת וכפי שנית ן לראות מהנתונים ש לעיל , במאגריMORPH יש מספר הטיות מהותיות אל מול ההתפלגויות הנורמליות באוכלוסייה .למשל , המאגרים מכילים אחוז גבוה מאוד של גברים ,אחוז גבוה מאוד של שחורים , ממוצע גיל מצולמים שונה מהאוכלוסייה הכללית(אינו כולל תינוקות ,ילדים ,נוער וזקנים). 1. במ הלך עבודתנו מצאנו עדויות רבות(ישירות ועקיפות ) להשפעת מקור כותבי האלגוריתמים על ביצועיהם ,למשל אלגוריתמים שמקורם במזרח אסיה יציגו ביצועים טובים יותר כאשר הם בוחנים פנים של אנשים שמוצאם מ אזור זה מאשר פנים של אנשים ממוצא אחר( למשל אירופאים ) - ראה דוגמאות לתו פעה זו ב- [NIST, 2018] ו- [NIST, 2018a] .על-כן , פיתוח ובחינת אלגוריתמים למשימות אימות וזיהוי ,כאשר ההתמקדות היא במאגר מעין זה , עלולים להביא להטיית תוצאות הביצועים. לדוגמה , ביצועים גבוהים לזכרים שחורים לעומת ביצועים מופחתים לקבוצות מין ומוצא אתני אחרות . לכן נראה כי צפוי קושי להשליך מביצועי אלגוריתמים הנבחנים על מאגר זה לגבי הביצועים שלהם על אוכלוסייה עם התפלגויות נורמליות של מין ,מוצא ,גיל וכ דומה. מאגרCACD 9. CACD ( Cross-Age Celebrity Dataset ) [Chen et al., 2015] הנו מאגר תמונות של ידוענים (בעיקר כוכבי קולנוע) , שנבנה באופן ייעודי לצורך בחינת אלגוריתמי אימות וזיהוי תוך התחשבות במאפייני הזדקנות. 31 . המאגר מכיל341,111 תמונות(ללא תמונות כפולות3 ) של8111 ידוענים אמ ריק ניי ם בגילאים 48-34 ( בממוצע18 תמונות לכל ידוען), כ- 21% נשים ו- 21% גברים . לכל שנת לידה בתקופה שבין השנים 3991-3923 , בחרו יוצרי המאגר את21 הידוענים הפופולריים ביותר . התפלגות התמונות בהתאם למוצא אתני :אפרו-אמריק נ ים( 1% ) , לבנים( 98% ) , אסיאתים( 2% ). ________________________________ ________________________________ _________ 3 לפי[Chen et al., 2015] כ- 11,111 תמונות מהאיסוף הראשוני הוצאו מהמאגר מחשש לכפילויות . גם[Chen et al., 2014] מציין כי בוצע תהליך סינון למניעת כפילויות של תמונות במאגר. בלמ"ס 01 מחצ"ב 31/13 33 . בניית המאגר התבצעה בעזרת מנועי חיפוש ברשת( בעיקרGoogle ). היוצרים חיפשו באינטרנט תמונות של הידוענים בשנים שונות( 8131-8111 ) , ובהתאם לתאריכי התמונות שנבחרו חושבו גילאי הידוענים בכל תמונה . רוב התמונות צולמו באירועים שונים או נלקחו מתוך סרטים ש בהם השתתפו הידו ענים. התמונות מתאפיינות בתנאי תאורה שאינם עקביים וכן בזוויות צילום משתנות(רובן אינ ן בניצב למישור הפנים .)דוגמ ה לתמונות מהמאגר ראה ב איור א.8 להלן. איור א.8 :דוגמ ה לתמונות ממאגרCACD 38 . תמונות של811 ידוענים עברו תהליך סינון ידני ,ש בו אומתו זהויות האנשים בתמונות , הוצאו תמונות המכילות רעשים והפרעות (ראה לדוגמה ב איור א.8 לעיל כיתוב ידני בתמונה משנת8131 המתאימה ליליד3901 .)מחקרים רבים עושים שימוש רק בתמונות שנבדקו ידנית ונוקו, לצורך פיתוח אלגוריתמים והערכת ביצוע הם י4. 31 . מאגרCACD-VS ( CACD - Verification Subset ) הוא תת- מאגר שמבוסס על מאגרCACD . תת-מאגר זה נבנה במקור לצורך בחינת היכולת האנושית לעמוד במשימת אימות , כאשר בפרט נבדקת הרגישות לאפקט ההזדקנות . מתוך מאגר הנתונים של ה- CACD , נבחרו8111 זוגות של תמונות מתאימות(אותו אדם עם ה פרש הגיל אים הגדול ביותר בין תמונות יו במאגר) ,ו- 8111 זוגות של תמונות לא מתאימות (תמונות של אנשים שונים בכל זוג) . כל התמונות נבדקו באופן ידני ונוקו מהם רעשים גם מהפנים וגם מהרקע של התמונה .ב מאגר נתונים זה עושים שימוש מספר פרסומים העוסקים בזיהוי פנים לאורך זמן ,הן ל הערכ ת היכולת האנושית לבצע משימת אימות ו הן לצורך הערכת ביצועי אלגוריתמים ממוחשבים במשימת אימות. ________________________________ ________________________________ _________ 4 לפי[Ya et al., 2017] תהליך סינון ידני דומה בוצע לעוד111 ידוענים , כך שמאגר הנתונים הכיל תמונות של211 ידוענים שנבדקו ונוקו באופן ידני. מחצ"ב 31/13 03 בלמ"ס 31 . משמעויות של שימוש במאגריCACD . מאגר נתונים זה הפך גם הוא ל אמת- מידה למדידת ביצועי אלגוריתמים של אימות וזיהוי .נראה כי נכון להיום , זהו מאגר הנתונים הגדול ביותר המכיל תמונות של אותם אנשים שנלקחו ונאספו לאורך השנים בצורה שיטתית לצורך בחינת אפקטי הזדקנות. 32 . גם מאגר נתונים זה סובל מהטיה אל מול ההתפלגות הנורמלית של אוכלוסייה רחבה( מעל91% לבנים ,ללא תינוקות ,ילדים ,נוער וזקנים .)נוסף לכך ,רובם המוחל ט של הידוענים הם בעלי תווי פנים אופייני ים (הנחשבים יפים בחברה מערבית). על-כן, גם מאגר נתונים זה עלול להציג תוצאות מוטות- ביצועים טובים מאוד למוצא אתני מערבי עם תווי פנים ייחודיים , לעומת ביצועים מופחתים בבחינת אוכלוסייה רחבה עם התפלגות נורמלית של הפרמטרים המרכזיים כגון מוצא , גיל ו תווי פנים . מצד שני יש לזכור כי התמונות שב מאגר נתונים זה סובלות מתנאי תאורה משתנים ו מהיעדר הקפדה על כך שמישור הפנים בתמונה יהיה ניצב למצלמה(זווית צילום) , כפי שמקובל בתמונות של מאגרים ביומטריים . ייתכן כי אלגוריתמים המציגים תוצאות טובות בבחינה על מאגר נתונים זה, יציגו תוצאות טובות עוד יותר כאשר ייבחנו עם תמונות ש בהן תנאי התאורה וזוויות הצילום הם מיטביים ואחידים. מאגרNET - FG 34 . מאגר תמונות זה כולל כ- 3,111 תמונות של כ- 11 אנשים בגיל אים49-1 (תחום ההזדקנות הוא 12-1 שנים) ,כ- 21% גברים וכ- 18% נשים[Chen et al., 2014] .בממוצע מכיל המאגר כ- 38 תמונות לאדם , כאשר43% מהתמו נות ה ן של ילדים עד גיל34 .מאגר נתונים זה מאופיין במספר נמוך מאוד של אנשים, אך בתחום הזדקנות רחב מאוד .נוסף לכך ,מאגר הנתונים סובל משונּו ת בהבעות הפנים ,זוויות צילום שונות ,עוצמות תאורה שונות ואיכויות שונות של התמונות. 30 . מחקרים רבים בוחנים את ביצועי האלגורית מים שלהם גם על מאגר זה , בעיקר לצורך הערכת הביצועים לאור אפקט ההזדקנות(כאמור, למאגר זה תחום ההזדקנות הגדול ביותר - 12 שנים .) דוגמה לתמונות ממאגר זה ראה ב איור א.1 ש להלן. איור א.1 :דוגמה לתמונות של אותה אישה ממאגרNET - FG בלמ"ס 08 מחצ"ב 31/13 31 . משמעויות של שימוש במאגרFG-NET . מאגר נתונים זה הפך גם הוא ל אמת- מידה למדידת ביצועי אלגוריתמים של אימות וזיהוי , בעיקר לכאלו הבוחנים את השפעת אפקט ההזדקנות על ביצועי האלגוריתמים .סביר כי אלגוריתמים המציגים ביצועים טובים על תמונות ממאגר זה, יציגו ביצועים טובים אף יותר כאשר ייבחנו עם תמונות ש בהן תנאי התאורה וזוויות הצילום הם מוקפדים בהתאם לנדרש ב מאגר ביומטרי. מ אגרLFW 39 . LFW ( Labeled Faces in the Wild ) [Huang et al., 2008] ו- [Chen et al., 2014] הנו מאגר תמונות פנים שנאספו מהאינטרנט ומציגות את אזור הפנים ללא אילוצים5 .מאגר הנתונים מתאפיין בתמונות בעלות שונות גדולה בזוויות הצילום ,תאורה לא אחידה , שונות בהבעות הפנים ותחום הזדקנות קטן. ב איור א.1 מוצגות מספר דוגמאות של תמונות ממאגר זה. 81 . המוטיבציה ליצירת המאגר עלתה בעיקר עקב הצורך לבצע משימות זיהוי ואימות ל תמונ ות ללא אילוצים ,הלקוחות מחיי היום-יום .המאגר מכיל כ- 31,111 תמונות של כ- 2021 אנשים, בממוצע 8.1 תמונות לאדם ללא מידע על גיל האדם בתמונה. לא מצאנו מידע לגבי התפלגות מין האנשים במאגר ו מוצא ם ה אתני. עם זאת ,נראה כי רוב האנשים במאגר הם מפורסמים מתחומים שונים : פול יטיקה ,ספורט ,תרבות ו עוד. איור א.1 :דוגמה לתמונות במאגרLFW 83 . משמעויות של שימוש במאגרLFW . מחקרים רבים מציגים גם את ביצועי האלגוריתמים שלהם במשימות זיהוי ואימות על מאגר זה .לרוב, הביצועים נמוכים מאוד לעומת ביצועי האלגוריתמים על מאגרים ש בהם יש הקפדה על תמונות המאולצות לעמוד בסטנדרט המתאים למאגר ביומטרי . בחינה זו נעשית כיוון שהיא מהווה מדד לאפשרות לבצע משימה ,למשל זיהוי , כאשר התמונה הנבחנת צולמה ללא אילוצים(למשל תמונה ממצלמת מעקב .) סביר כי אלגוריתמים, שפותחו לבחינת תמונות ללא אילוצים ,יציגו ביצועים טו בים יותר כאשר ייבחנו על תמונות עם אילוצים .מאגר זה אינו מאפשר בחינה של אפקט ההזדקנות , כיוון שהוא אינו מכיל מעקב גילאים של האנשים בתמונות השונות. מאגרWebFace - CASIA 88 . CASIA-WebFace ( Chinese Academy of Sciences - Institute of Automation ) [Yi et al., 2014] הנו מאגר תמונות אשר מכיל תמונות ידוענים שנלקחו מ האינטרנט( דומה במובנים רבים למאגרCACD ). ________________________________ ________________________________ _________ 5 נהוג לכנות תמונות ללא אילוצים במונחwild .המשמעות היא כי תמונת הפנים אינה מאולצת לעמוד בתנאי זווית צילום , תאורה , הפרעות(למשל כובעים או אלמנטים המסתירים חלק מהפנים) , שבהם נדרשות לעמוד תמונות המיועדות למאגר ביומטרי. מחצ"ב 31/13 01 בלמ"ס המוטיבציה העיקרית ליצירתו הי יתה לספק מאגר תמונות גדול מספי ק שיאפשר לאלגוריתמים מבוססי CNN תהליך למידה עמוק . 81 . בניית המאגר בוצעה בצורה אוטומטית למחצה . האנשים שהוכללו במאגר נבחרו על-ידי מפעיל , ולאחר מכן המערכת חיפשה באינטרנט תמונות שלהם . אם התמונה שנבחרה הכילה פנים נוספות- היא נפסלה מהמאגר(תהליך זה הפחית את מספר התמונות במאגר בכ- 311,111 תמונות .) לאחר מכן המערכת בחנה שאין במאגר זה אנשים המופיעים גם במאגרLFW .הבחינה בוצעה לפי שמו ת האנשים בשני המאגרים (נמצאו כ- 3111 כפילויות שהוצאו ממאגר ה- CASIA .) בסופו של התהליך עברו יוצרי המאגר באופן ידני על תמונות המאגר והוציאו ממנו כפילויות נוספות שנותרו(אם נמצאו .) בתום תהליך הסינון הכיל המאגר כ- 211,111 תמונות של כ- 31,211 אנשים(ללא כפילות עם מ אגרLFW .) 81 . כיוון שתהליך בניית המאגר הוא אוטומטי למחצה , לא ניתן להבטיח שאין בו שגיאות בהתאמת התמונה לאדם .עם זאת, כיוון שהמאגר משמש בעיקר ללימודCNN , ואילו הבחינה של ביצועי האלגוריתמים מתבצעת על מאגר אחר( לדוגמהLFW ) ,אין לכך משמעות רבה. במאגר ז ה לא מפורטות התפלגויות המין , ה מוצא והגיל. מחצ"ב 31/13 02 בלמ"ס מקורות [בילט , 8131 ] ע 'בילט , רשימת מסמכים לעבודת ביומטריה31 חודש ,מחצ" ב / 81.1 / 39280481 , מתאריך1/31/8131 (בלמ"ס.) [היח 'ליישומים ביומטריים , 8131 ]משרד ראה" מ- מערך הסייבר הלאומי- היח ' להזדהות וליישומים ביומטריים , בדיקת81 חודש - התנעת סקר ספרות מחצ"ב רפא"ל , מאי8131 (בלמ"ס .) [מדינת ישראל , 8119 ] מדינת ישראל- רשומות- ספר החוקים , חוק הכללת אמצעי זיהוי ביומטריים ונתוני זיהוי ביומטריים במסמכי זיהוי ובמאגר מידע, 32 בדצמבר8119 (בלמ"ס.) [מדינת ישראל , 8133 ] מדינת ישראל- סגן רוה"ם ושר הפנים , צו הכללת אמצעי זיהוי ביומטריים ונתוני זיהוי ביומטריים במסמכי זיהוי ובמאגר מידע , 8133 (בלמ"ס.) [מדינת ישראל , 8130 ] מדינת ישראל- רשומות-ספר החוקים , חוק הכללת אמצעי זיהוי ביומטריים ונתוני זיהוי ביומט ריים במסמכי זיהוי ובמאגר מידע(תיקון והוראת שעה) , 80 בפברואר8130 (בלמ"ס.) [ממן וגופר , 8130 ] ש 'ממן ,ע 'גופר ,ליווי המאגר הביומטרי בתקופת המבחן ,מחצ" ב30/19 , נובמבר 8130 (בלמ"ס.) [פלס , 8131 ] ד 'פלס , סיכום דיון- ביומטריה- 31 חודש- פגישת סטאטוס עם אלון או פיר- 8/0/8131 ,מחצ" ב / 81.1 / 31981112 , מתאריך1/0/8131 (בלמ"ס.) [פלס , 8131א] ד 'פלס , ביצועי אלגוריתמים במאגרים לאומיים- ארה"ב וקנדה ,מחצ" ב / 81.1 / 39131110 , מתאריך31/33/8131 (בלמ"ס.) [Chen et al., 2014] Chen B-C., Chen C-S., Hsu W., Cross-Age Reference Coding for Age-Invariant Face Recognition and Retrieval, ECCV 2014, Part VI, LNCS 8694, pp. 768–783, 2014. [Chen et al., 2015] Chen B-C., Chen C-S., Hsu W., Face Recognition and Retrieval Using Cross-Age Reference Coding With Cross-Age Celebrity Dataset, IEEE Trans. Multimedia Vol.17 (6) pp. 804–815, 6/6/2015. [Georgopoulos et al., 2018] Georgopoulos M., Panagakis Y., Pantic M., Modeling of Facial Aging and Kinship: A Survey, Image and Vision Computing, IMAVIS 3692, doi:10.1016/j.imavis.2018.05.003, 10/5/2018. בלמ"ס 04 מחצ"ב 31/13 [Huang et al., 2008] Huang, G.B., Ramesh, M., Berg, T., Learned-Miller, E., Labeled faces in the wild: A Database for Studying Face Recognition in Unconstrained Environments, Workshop on Faces in ’Real-Life’ Images: Detection, Alignment, and Recognition, Marseille, France. October 2008. [Liu et al., 2016] Liu L., Xiong C., Zhang H., Niu Z., Wang M., Yan S., Deep Aging Face Verification with Large Gaps, IEEE Trans. Multimedia Vol. 18 (1) pp. 64-75, January 2016. [NIST, 2014] Grother P., Ngan M., Face Recognition Vendor Test (FRVT) - Performance of Face Identification Algorithms, NIST Interagency Report 8009, NIST - Information Access Division - Information Technology Laboratory, 26/5/2014. [NIST, 2018] Grother P., Ngan M., Face Recognition - Performance & Measurement - Presentation, NIST - Information Access Division - Information Technology Laboratory, Biometrics Institute Workshop – Sydney Australia, 29/5/2018. [NIST, 2018a] Grother P., Ngan M., Hanaoka K., Ongoing Face Recognition Vendor Test (FRVT) – Part 1 – Verification, NISTIR XXXX DRAFT, NIST - Information Access Division - Information Technology Laboratory, 3/4/2018. [NIST, 2018b] Grother P., RE: Our Meeting, emails from [email protected], 3/8/2018 (09:44 & 17:36). [NIST, 2018c] Grother P., RE: Hello from Tel-Aviv, email from [email protected], 4/10/2018 (16:06). [Phillips et al., 2018] Phillips P.J., Yates A.N., Hu Y., Hahn C.A., Noyes E., Jackson K., Cavazos J.G., Jeckeln G., Ranjan R., Sankaranarayanan S., Chen J.C., Castillo C.D., Chellappa R., White D., O’Toole A.J., Face recognition accuracy of forensic examiners, super- recognizers, and face recognition algorithms, www.pnas.org/cgi/doi/10.1073/pnas.1721355115, 30/4/2018. [Phillips et al., 2018a] Phillips P.J., Yates A.N., Hu Y., Hahn C.A., Noyes E., Jackson K., Cavazos J.G., Jeckeln G., Ranjan R., Sankaranarayanan S., Chen J.C., Castillo C.D., Chellappa R., White D., O’Toole A.J., Supplementary Information for - Face recognition accuracy of forensic examiners, super-recognizers, and algorithms, www.pnas.org/cgi/doi/10.1073/pnas.1721355115, 30/4/2018. [Ricanek et al., 2006] Ricanek, K., Tesafaye, T., Morph: A longitudinal image database of normal adult age-progression. Proceedings of the 7th International Conference on Automatic Face and Gesture Recognition, FGR 2006, pp. 341–345, IEEE, 2006. [UNCW, 2018] MORPH Album1 Whitepaper, http://www.faceaginggroup.com, (Accessed 1/7/2018). [UNCW, 2018a] MORPH Non-Commercial Release Whitepaper, http://www.faceaginggroup.com, (Accessed 1/7/2018). מחצ"ב 31/13 00 בלמ"ס [UNCW, 2018b] MORPH Commercial Release Whitepaper, http://www.faceaginggroup.com, (Accessed 1/7/2018). [White et al., 2015] White D, Phillips PJ, Hahn CA, Hill M, O’Toole AJ., Perceptual expertise in forensic facial image comparison, Procceeding of the Royal Society B 282: 20151292, 2015. [Ya et al., 2017] Ya L., Guangrun W., Lin N., Qing W., Wenwei T., Distance metric optimization driven convolutional neural network for age invariant face recognition, Pattern Recognition Vol. 75 pp. 51-62, October 2017. [Yandong et al., 2016] Yandong W., Zhifeng L., Yu Q., Latent Factor Guided Convolutional Neural Networks for Age-Invariant Face Recognition, Proceedings of the Computer Vision and Pattern Recognition (CVPR), 2016. [Yi et al., 2014] Yi D., Lei Z., Liao S., Li S.Z., Learning Face Representation from Scratch. arXiv preprint, arXiv:1411.7923v1, 28/11/2014. בלמ"ס - 21 - נספח2 :סקר מאמרים ופרסומים מובילים בעולם בתחום זיהוי הפנים – מחצ"ב רפאל עמוד 1 מתוך5 בלמ"ס כ"ט בתשרי תשע"ט 8 באוקטובר 8118 מחצ" ב / 8.41 / 12582581 ת" ד(מ"ה 097 ) 5527 חיפה1375375 .טל פון 701-1124347 , 701-1124024 , פקס701-1124334 דואר מקמ"רי :משהב"ט/רפא"ל/מחצ"ב (מ" ה097 ) ,טלפון אבנט 444-5044 , פקס אבנט444-5453 רפאל מערכות לחימה מתקדמות בע"מ רפאל מערכות לחימה מתקדמות בע"מ חטיבת מערכות חימוש ותשתיות לאומיות מחצ"ב-המרכז למחקרים צבאיים בן לבב ,רע"ן יבשה מחצ"ב דורון פלס ,מחצ"ב הנדון : רשימת מסמכים לעבודת ביומטריה18 חודש 14 הרשימה להלן מפרטת את המסמכים שנאספו במחצ" ב עבור עבודת ביומטריה18 חודש בין החודשים יוני- ספטמבר8118 4 [1] A Discriminative Model for Age Invariant Face Recognition (Anil Jain), IEEE, 2011, pcdocs://RAFDOCS/18766782/R [2] Age-Invariant Face Recognition (Anil Jain), IEEE-2010 (May), pcdocs://RAFDOCS/18766784/R [3] Face Recognition Across Time Lapse: On Learning Feature Subspaces Recognition (Anil Jain), IEEE-2011, pcdocs://RAFDOCS/18766791/R [4] Face Matching and Retrieval in Forensics Applications (Anil Jain), IEEE-2012 (March) pcdocs://RAFDOCS/18766790/R [5] Face Recognition with Temporal Invariance: A 3D Aging Model (Anil Jain), IEEE-2008 pcdocs://RAFDOCS/18766795/R [6] Local descriptors in application to the aging problem in face recognition, Pattern Recognition Letters (2013), pcdocs://RAFDOCS/18766799/R [7] Face Recognition across Time Lapse Using Convolutional Neural Networks, Journal of Information Security 2016, pcdocs://RAFDOCS/18766793/R [8] A Geometrical Approach for Age-Invariant Face Recognition, Springer-Verlag Berlin Heidelberg 2013, pcdocs://RAFDOCS/18766783/R [9] Age-Invariant Face Recognition Using Shape Transformation, Springer-Verlag Berlin Heidelberg 2013, pcdocs://RAFDOCS/18766789/R [10] Age-Invariant Face Recognition Technique Using Facial Geometry, Springer-Verlag Berlin Heidelberg 2013, pcdocs://RAFDOCS/18766786/R [11] Q-STACK AGING MODEL FOR FACE VERIFICATION, EUSIPCO 2009, pcdocs://RAFDOCS/18766801/R עמוד8 מתוך5 בלמ"ס רפאל מערכות לחימה מתקדמות בע"מ רפאל מערכות לחימה מתקדמות בע"מ חטיבת מערכות חימוש ותשתיות לאומיות מחצ"ב-המרכז למחקרים צבאיים [12] 2D and 3D face recognition: A survey (ישן ,מ- 8112 ), Pattern Recognition Letters (2007), pcdocs://RAFDOCS/18766780/R [13] Face Verification Across Age Progression (ישן ,מ- 8115 ), IEEE-2006 (Nov.) pcdocs://RAFDOCS/18766796/R [14] A Deep Joint Learning Approach for Age Invariant Face Verification, Springer-Verlag Berlin Heidelberg 2015, pcdocs://RAFDOCS/18767110/R [15] A Unified Framework for Age Invariant Face Recognition and Age Estimation, Springer Nature Singapore Pte Ltd. 2018, pcdocs://RAFDOCS/18767114/R [16] Distance metric optimization driven convolutional neural network for age invariant face recognition, Pattern Recognition 75 (2018), pcdocs://RAFDOCS/18767126/R [17] A composite spatio-temporal modeling approach for age invariant face recognition, Expert Systems With Applications 72 (2017), pcdocs://RAFDOCS/18767109/R [18] A Maximum Entropy Feature Descriptor for Age Invariant Face Recognition, IEEE- 2015, pcdocs://RAFDOCS/18767113/R [19] How Does Aging Affect Facial Components? (Anil Jain), 2012 pcdocs://RAFDOCS/18767135/R [20] Deep Aging Face Verification with Large Gaps, IEEE-2016 (Jan.), pcdocs://RAFDOCS/18767125/R [21] Age-invariant face recognition based on identity inference from appearance age, Pattern Recognition 76 (2018), pcdocs://RAFDOCS/18767121/R [22] Cross-Age Reference Coding for Age-Invariant Face Recognition and Retrieval, Springer International Publishing Switzerland 2014, pcdocs://RAFDOCS/18767124/R [23] Large Age-Gap face verification by feature injection in deep networks, Pattern Recognition Letters 90 (2017), pcdocs://RAFDOCS/18767136/R [24] Latent Factor Guided Convolutional Neural Networks for Age-Invariant Face Recognition, Proceedings of the Computer Vision and Pattern Recognition (CVPR) 2016, pcdocs://RAFDOCS/18767137/R [25] Face verification of age separated images under the influence of internal and external factors, Image and Vision Computing 30 (2012), pcdocs://RAFDOCS/18767130/R [26] Hidden Factor Analysis for Age Invariant Face Recognition, IEEE-2013, pcdocs://RAFDOCS/18767132/R [27] Modelling of Facial Aging and Kinship: A Survey, Imavis (2018 May), pcdocs://RAFDOCS/18767138/R [28] H. Ling, S. Soatto, N. Ramanathan, and D. W. Jacobs. Face verification across age progression using discriminative methods. IEEE Transactions on Information Forensics and Security, 5(1):82-91, March 2010. pcdocs://RAFDOCS/18767129/R עמוד3 מתוך5 בלמ"ס רפאל מערכות לחימה מתקדמות בע"מ רפאל מערכות לחימה מתקדמות בע"מ חטיבת מערכות חימוש ותשתיות לאומיות מחצ"ב-המרכז למחקרים צבאיים [29] Age Invariant Face Recognition Using Graph Matching, 2010 pcdocs://RAFDOCS/18767118/R [30] Face Verification with Aging Using AdaBoost and Local Binary Patterns, 2010, pcdocs://RAFDOCS/18767131/R [31] Age Estimation and Face Verification Across Aging Using Landmarks, IEEE-2012 (Dec.), pcdocs://RAFDOCS/18767115/R [32] Age Invariant Face Verification with Relative Craniofacial Growth Model, Springer- Verlag Berlin Heidelberg 2012, pcdocs://RAFDOCS/18767120/R [33] Recognizing Age-Separated Face Images: Humans and Machines, PLOS ONE 2014 (Dec.), pcdocs://RAFDOCS/18767140/R [34] Multiview Discriminative Learning for Age Invariant Face Recognition, 2013 pcdocs://RAFDOCS/18767139/R [35] Age invariant face recognition and retrieval by coupled auto-encoder networks, Neurocomputing 222 (2017), pcdocs://RAFDOCS/18767117/R [36] Age Invariant Face Recognition Using Minimal Geometrical Facial Features, Springer Science+Business Media Singapore 2016, pcdocs://RAFDOCS/18767119/R [37] Experimental Evaluation of Eye Location Accuracies and Time-Lapse Effects on Face Recognition Systems, Springer-Verlag Berlin Heidelberg 2005, pcdocs://RAFDOCS/18767128/R [38] Age-related differences in ocular biometry in adult Korean population, 2016 pcdocs://RAFDOCS/18767009/R [39] Investigating Age Invariant Face Recognition Based on Periocular Biometrics, IEEE- 2011, pcdocs://RAFDOCS/18767013/R [40] Aging in Biometrics: An Experimental Analysis on On-Line Signature, 2013 pcdocs://RAFDOCS/18767010/R [41] Empirical Evidence for Correct Iris Match Score Degradation with Increased Time- Lapse Between Gallery and Probe Matches, 2009 pcdocs://RAFDOCS/18767012/R [42] Analysis of Template Aging in Iris Biometrics, 2012 pcdocs://RAFDOCS/18767011/R [43] Z. Li , D. Gong , X. Li , D. Tao , Aging face recognition: a hierarchical learning model based on local patterns selection, IEEE Trans. Image Process. 25 (5) (2016) 2146–2154.. pcdocs://RAFDOCS/18895168/R [44] B.-C. Chen , C.-S. Chen , W. Hsu , Face recognition and retrieval using cross-age reference coding with cross-age celebrity dataset, IEEE Trans. Multimedia 17 (6) (2015) 804–815.. pcdocs://RAFDOCS/18894898/R עמוד. מתוך5 בלמ"ס רפאל מערכות לחימה מתקדמות בע"מ רפאל מערכות לחימה מתקדמות בע"מ חטיבת מערכות חימוש ותשתיות לאומיות מחצ"ב-המרכז למחקרים צבאיים [45] Ricanek, K., Tesafaye, T.: Morph: A longitudinal image database of normal adult age- progression. In: 7th International Conference on Automatic Face and Gesture Recognition, FGR 2006, pp. 341–345. IEEE (2006). pcdocs://RAFDOCS/18894923/R – [46] Huang, G.B., Ramesh, M., Berg, T., Learned-Miller, E.: Labeled faces in the wild: A database for studying face recognition in unconstrained environments. Tech. Rep. 07-49, University of Massachusetts, Amherst (October 2007). pcdocs://RAFDOCS/18894942/R [47] A. Krizhevsky , I. Sutskever , G.E. Hinton , Imagenet classification with deep convolutional neural networks, in: Proceedings of the Advances in Neural Information Processing Systems (NIPS), 2012, pp. 1097–1105. pcdocs://RAFDOCS/18895000/R [48] NIST IR 8009 (26.5.2014). pcdocs://RAFDOCS/18843086/R [49] I. Kemelmacher-Shlizerman , S.M. Seitz , D. Miller , E. Brossard , The megaface benchmark: 1 million faces for recognition at scale, in: Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition, 2016, pp. 4873–4882. pcdocs://RAFDOCS/18895063/R [50] D. Yi, Z. Lei, S. Liao, and S. Z. Li. Learning face representation from scratch. arXiv preprint arXiv:1411.7923, 2014. pcdocs://RAFDOCS/18895083/R [51] Z. Liu, P. Luo, X. Wang, and X. Tang. Deep learning face attributes in the wild. arXiv preprint arXiv:1411.7766, 2014. pcdocs://RAFDOCS/18895129/R [52] Y. Jia, E. Shelhamer, J. Donahue, S. Karayev, J. Long, R. Girshick, S. Guadarrama, and T. Darrell. Caffe: Convolutional architecture for fast feature embedding. arXiv preprint arXiv:1408.5093, 2014. pcdocs://RAFDOCS/18895145/R [53] P. Grother, M. Ngan: Face Recognition - Performance & Measurement - NIST Presentation, Biometrics Institute Workshop, 29th of May 2018. pcdocs://RAFDOCS/18861214/1 [54] D. Michalski, S.Y. Yiu, C. Malec, The Impact of Age and Threshold Variation on Facial Recognition Algorithm Performance using Images of Children, ICB 2018, Surfers Paradise. [55] D. Michalski, The Impact of Age-Related Variables on Facial Comparisons with Images of Children - Algorithm and Practitioner Performance, University of Adelaide, Nov. 2017, pcdocs://RAFDOCS/18895220/R [56] MORPH Album1 Whitepaper, http://www.faceaginggroup.com, 1/7/2018. pcdocs://RAFDOCS/18906593/R [57] MORPH Non-Commercial Release Whitepaper, http://www.faceaginggroup.com, 1/7/2018. pcdocs://RAFDOCS/18908052/R [58] MORPH Commercial Release Whitepaper, http://www.faceaginggroup.com, 1/7/2018. pcdocs://RAFDOCS/18908317/R עמוד5 מתוך5 בלמ"ס רפאל מערכות לחימה מתקדמות בע"מ רפאל מערכות לחימה מתקדמות בע"מ חטיבת מערכות חימוש ותשתיות לאומיות מחצ"ב-המרכז למחקרים צבאיים [59] Y. Sun, X. Wang, and X. Tang. “Deep learning face representation by joint identification-verification”. arXiv preprint arXiv:1406.4773, 2014. [60] H. Yang, D. Huang, Y. Wang, H. Wang, and Y. Tang. Face aging effect simulation using hidden factor analysis joint sparse representation. IEEE Transactions on Image Processing, 25(6):2493-2507, 2016. [61] L. Du and H. Ling. Cross-age face verification by coordinating with cross-face age verification. In IEEE Conference on Computer Vision and Pattern Recognition (CVPR), pages 2329-2338, June 2015. [62] M. Georgopoulos, Y. Panagakis, M. Pantic. Modeling of Facial Aging and Kinship: A Survey. Image and Vision Computing, IMAVIS 3692, May 2018. pcdocs://RAFDOCS/19023137/R [63] David White, P. Jonathon Phillips, Carina A. Hahn… Perceptual expertise in forensic facial image comparison, Proceedings B. Royal Society, 282: 20151292, August 2015. pcdocs://RAFDOCS/19421151/R [64] P. Jonathon Phillips, Amy N. Yates, Face recognition accuracy of forensic examiners, superrecognizers, and algorithms, www.pnas.org/cgi/doi/10.1073/pnas.1721355115, April 2018. pcdocs://RAFDOCS/19421659/1 [65] P. Jonathon Phillips, Amy N. Yates, Supplementary Information for - Face recognition accuracy of forensic examiners, superrecognizers, and algorithms, www.pnas.org/cgi/doi/10.1073/pnas.1721355115, 2018. pcdocs://RAFDOCS/19421231/1 [66] Human Accuracy on Hard Cases – 2016, NIST Presentation. pcdocs://RAFDOCS/19421729/1 [67] David White, James D. Dunn, Alexandra C. Schmid, Richard I. Kemp, Error Rates in Users of Automatic Face Recognition Software – 2015. pcdocs://RAFDOCS/19421763/1 [68] Face Recognition by Humans- Nineteen Results All Computer Vision Researchers Should Know About 2006 pcdocs://RAFDOCS/19227591/R [69] A Survey of Face Recognition approach 2013 RAFDOCS-#19227583-A Survey of Face Recognition approach 2013 [70] DeepFace Closing the Gap to Human Level Performance in Face Verification 2014 pcdocs://RAFDOCS/19227588/R [71] Human and Machine Recognition of Faces 1995 pcdocs://RAFDOCS/19227573/R 84 לעיונכם, עמית בילט ,מידענית מחצ"ב