Le réseau de neurones apprend à identifier les criminels par leur visage

Peu de temps après l'invention de la photographie, quelques criminologues ont commencé à remarquer des tendances dans les clichés électroniques qu'ils prenaient de criminels. Les délinquants, ont-ils dit, avaient des traits faciaux particuliers qui leur permettaient d'être identifiés comme des contrevenants à la loi.

L'une des voix les plus influentes dans ce débat était Cesare Lombroso, un criminologue italien, qui croyait que les criminels étaient des ratés plus proches des singes que des citoyens respectueux des lois. Il était convaincu qu'il pouvait les identifier par des traits ressemblant à des singes tels qu'un front incliné, des oreilles de taille inhabituelle et diverses asymétries du visage et des bras longs. En effet, il a mesuré de nombreux sujets dans le but de prouver son point de vue bien qu'il n'ait pas analysé ses données statistiquement.

Cette lacune a finalement conduit à sa chute. Les opinions de Lombroso ont été discréditées par le criminologue anglais Charles Goring, qui a analysé statistiquement les données relatives aux anomalies physiques chez les criminels par rapport aux non-criminels. Il a conclu qu'il n'y avait pas de différence statistique.

Et là, le débat s'est arrêté jusqu'en 2011, lorsqu'un groupe de psychologues de l'Université Cornell a montré que les gens étaient en fait assez bons pour distinguer les criminels des non-criminels simplement en regardant des photos d'eux. Comment cela pourrait-il être s'il n'y a pas de caractéristiques statistiquement différentes ?

Aujourd'hui, nous obtenons une sorte de réponse, grâce au travail de Xiaolin Wu et Xi Zhang de l'Université Jiao Tong de Shanghai en Chine. Ces gars-là ont utilisé une variété d'algorithmes de vision artificielle pour étudier les visages de criminels et de non-criminels, puis les ont testés pour savoir s'ils pouvaient faire la différence.

Leur méthode est simple. Ils prennent des photos d'identité de 1856 hommes chinois âgés de 18 à 55 ans sans poils sur le visage. La moitié de ces hommes étaient des criminels.

Ils ont ensuite utilisé 90 % de ces images pour entraîner un réseau neuronal convolutif à reconnaître la différence, puis ont testé le réseau neuronal sur les 10 % restants des images.

Les résultats sont déstabilisants. Xiaolin et Xi ont découvert que le réseau neuronal pouvait identifier correctement les criminels et les non-criminels avec une précision de 89,5 %. Ces résultats très cohérents sont des preuves de la validité de l'inférence automatisée induite par le visage sur la criminalité, malgré la controverse historique entourant le sujet, disent-ils.

Xiaolin et Xi disent que le réseau de neurones utilise trois caractéristiques faciales pour effectuer sa classification. Ce sont : la courbure de la lèvre supérieure qui est en moyenne 23 % plus grande chez les criminels que chez les non-criminels ; la distance entre les deux coins internes des yeux, qui est 6 % plus courte ; et l'angle entre deux lignes tracées du bout du nez aux coins de la bouche, qui est 20 % plus petit.

Ils tracent ensuite la variance des données des visages criminels et non criminels dans un espace paramétrique simplifié appelé collecteur. Et ce processus révèle pourquoi la différence a été difficile à cerner.

Xiaolin et Xi montrent que ces ensembles de données sont concentriques mais que les données sur les visages criminels présentent une variance beaucoup plus grande. En d'autres termes, les visages du grand public respectueux de la loi ont un plus grand degré de ressemblance par rapport aux visages des criminels, ou les criminels ont un degré plus élevé de dissemblance dans l'apparence faciale que les gens normaux, disent Xiaolin et Xi.

Cela peut également expliquer pourquoi certains types de tests statistiques ne permettent pas de faire la distinction entre ces ensembles de données. En effet, Xiaolin et Xi montrent que lorsqu'ils combinent des visages criminels et non criminels pour créer des visages moyens, ils semblent presque identiques.

Bien que controversé, ce résultat n'est pas totalement inattendu. Si les humains peuvent repérer les criminels en regardant leur visage, comme l'ont découvert des psychologues en 2011, il n'est pas surprenant que les machines puissent également le faire.

Le souci, bien sûr, est de savoir comment les humains pourraient utiliser ces machines. Il n'est pas difficile d'imaginer comment ce processus pourrait être appliqué à des ensembles de données, par exemple, des photos de passeport ou de permis de conduire pour tout un pays. Il serait alors possible de repérer les personnes identifiées comme contrevenants, qu'ils aient ou non commis un crime.

C'est une sorte de Rapport minoritaire scénario dans lequel les contrevenants pouvaient être identifiés avant qu'ils aient commis un crime.

Bien sûr, ce travail doit être placé sur une base beaucoup plus solide. Il doit être reproduit avec différents âges, sexes, ethnies, etc. Et sur des ensembles de données beaucoup plus volumineux. Cela devrait aider à démêler la complexité des résultats. Par exemple, Xiaolin et Xi constatent que les visages criminels peuvent être subdivisés en quatre sous-groupes, mais les visages non criminels en seulement trois. Comment venir? Et comment cela varie-t-il dans d'autres groupes ?

Et le travail soulève des questions importantes. Si le résultat tient la route, comment l'expliquer ? Pourquoi les visages des criminels seraient-ils beaucoup plus variés que ceux des non-criminels ? Et comment pouvons-nous repérer ces visages ? Est-ce un comportement appris ou un comportement câblé qui a évolué ?

Tout cela annonce une nouvelle ère de l'anthropométrie, criminelle ou non. La semaine dernière, des chercheurs ont révélé comment ils avaient formé une machine d'apprentissage en profondeur pour juger de la même manière que les humains si quelqu'un était digne de confiance en regardant un instantané de son visage. Ce travail est une autre prise sur le même sujet. Et il y a de la place pour beaucoup plus de recherche à mesure que les machines deviennent plus performantes. Examiner ce que nos vêtements ou nos cheveux disent de nous est un angle évident. Et les machines pourront bientôt aussi étudier le mouvement. Cela soulève la possibilité d'étudier comment nous nous déplaçons, comment nous interagissons, etc.

Réf : arxiv.org/abs/1611.04135 : Inférence automatisée sur la criminalité à l'aide d'images de visage

cacher