Assessment and Estimation of Face Detection Performance Based on Deep Learning for Forensic Applications

Abstract

Face recognition is a valuable forensic tool for criminal investigators since it certainly helps in identifying individuals in scenarios of criminal activity like fugitives or child sexual abuse. It is, however, a very challenging task as it must be able to handle low-quality images of real world settings and fulfill real time requirements. Deep learning approaches for face detection have proven to be very successful but they require large computation power and processing time. In this work, we evaluate the speed–accuracy tradeoff of three popular deep-learning-based face detectors on the WIDER Face and UFDD data sets in several CPUs and GPUs. We also develop a regression model capable to estimate the performance, both in terms of processing time and accuracy. We expect this to become a very useful tool for the end user in forensic laboratories in order to estimate the performance for different face detection options. Experimental results showed that the best speed–accuracy tradeoff is achieved with images resized to 50% of the original size in GPUs and images resized to 25% of the original size in CPUs. Moreover, performance can be estimated using multiple linear regression models with a Mean Absolute Error (MAE) of 0.113, which is very promising for the forensic field.

Development of a Hardware Benchmark for Forensic Face Detection Applications

“…Besides, the best compromise between speed and detection was achieved with the DSFD model with an image reduction of 50%. Comparing the different CPUs, the overall best time was achieved by i9-8650HK, which excels at its bus speed 1 . GPU results, however, overcome the CPU ones, and we noticed that the GPU architecture determines the detection speed.…”

A Video Summarization Approach to Speed-up the Analysis of Child Sexual Exploitation Material

“…We selected the keyframes containing at least one face, detected with a confidence score, T , to create the final video summary. As face detector, we chose the Multi-Task Cascade CNN (MTCNN) [23] method due to its high detection speed in comparison to other deep-learning-based detectors [6].…”

Adli Bilişim İncelenme Süreçlerinde Yapay Zeka Kullanımı: VGG16 ile Görüntü Sınıflandırma

“…Bu noktadan hareketle literatür araştırmasında özellikle son 5 yılda adli bilişim alanında derin öğrenme algoritmalarının kullanılmasına ilişkin çalışma ve uygulamalar araştırılmıştır. Araştırma neticesinde adli bilişim alanı kapsamında derin öğrenme algoritmalarının yoğun olarak metin verisi [5], ses verisi [6], video [7][8][9] ve resim [3], [10][11][12][13][14][15][16][17][18][19] verileri analizinde kullanıldığı tespit edilmiştir. Söz konusu çalışma alanlarına ek olarak yöntem iyileştirme [20,21], süreç iyileştirme ve otomasyon [22,23], saldırı tespit ve güvenlik log analizi [2], [24][25], derin öğrenme algoritmalarının yaygın olarak kullanıldığı diğer alanlardır.…”

“…Bu alanda yapılan diğer bir çalışmada hız ve doğruluk açısından derin öğrenme teknolojilerini kullanan üç popüler yüz tanımlama dedektörü farklı veri setleri ile test edilmiştir [8]. Elde edilen sonuçlar, görüntülerin yeniden boyutlandırılarak işleme alınmasının yüz tanıma süreçlerini hızlandırmakla beraber doğruluğunu azalttığını göstermiştir.…”