Das Ergebnis wurde allgemein erwartet, obwohl die Fehlerraten ziemlich beeindruckend sind.
Das US-amerikanische National Institute of Standards and Technology hat eine Reihe von Studien gestartet, um herauszufinden, wie gut Gesichtserkennungsalgorithmen im Maskenmodus funktionieren. Die Frage ist heute äußerst relevant, und einige Hersteller geben an, bereits Systeme entwickelt zu haben, mit denen maskierte Gesichter erkannt werden können. Aber NIST startete in der richtigen Reihenfolge und testete in der ersten Studie 89 Algorithmen, die bereits vor Beginn der Pandemie erstellt wurden.
Bei dem Test wurden mehr als sechs Millionen Fotos und Algorithmen verwendet, um festzustellen, wie ein Bild einer Person einem anderen entspricht - die häufigste Aufgabe in solchen Fällen, insbesondere zum Entsperren von Smartphones. Aufgrund einer schwierigeren Aufgabe - eine Übereinstimmung für eine in der gesamten Datenbank zu finden - beschlossen die Forscher, dies abzulehnen. Neun Maskenvarianten, die sich in Form und Farbe unterschieden, wurden den Bildern digital überlagert.
Infolgedessen wurden selbst die besten von 89 Algorithmen, die normalerweise Gesichter mit einer Genauigkeit von 99,7% erkannten, in mindestens 5% der Fälle mit Masken verwechselt. Für die Mehrheit lag die Fehlerquote jedoch zwischen 20% und 50%.
Der Hauptgrund war der Mangel an Informationen über die Unterscheidungsmerkmale von Gesichtern, die tatsächlich für Algorithmen zur Erkennung erforderlich sind. Gleichzeitig stellten NIST-Spezialisten fest, dass Form und Farbe der Maske die Fehlerquote beeinflussen. Je größer die Maske und je höher sie die Nase bedeckt, desto schwieriger ist es für den Algorithmus, das Bild zu erkennen. Die Anzahl der Fehler war auch höher, wenn schwarze Masken verwendet wurden, aber wie die Autoren der Studie selbst zugeben, hatten sie nicht genügend Zeit, um das Thema "Farbe" gründlicher zu untersuchen.
In der nächsten Studie wollen NIST-Spezialisten neue Algorithmen testen, die bereits die Funktion der Erkennung maskierter Gesichter beinhalten.
