Corso di Biometria e Riconoscimento Facciale

Lezione 1 • Fondamenti di privacy ed etica

Inquadra la minimizzazione dei dati, il consenso e la limitazione delle finalità come vincoli di progettazione. Stabilisce competenze di ragionamento etico applicate durante l'intero corso.

Lezione 2 • Panoramica delle modalità biometriche

Esamina l'impronta digitale, l'iride, la voce, l'andatura e il volto come modalità primarie. Fornisce un contesto comparativo affinché gli studenti possano giustificare la scelta della modalità per determinati casi d'uso.

Lezione 3 • Metriche di prestazione e tassi di errore

Introduce FAR, FRR, EER e curve ROC come strumenti di valutazione universali. Fornisce agli studenti la capacità di interpretare criticamente le affermazioni dei fornitori e i report di benchmark.

Lezione 4 • Cosa significa biometria

Definisce la biometria come misurazione automatizzata di tratti fisiologici o comportamentali. Ancora tutte le discussioni successive sulle modalità a una base definitoria condivisa.

Lezione 1 • Anatomia facciale per il riconoscimento

Tratta la struttura cranica, la distribuzione dei tessuti molli e la geometria dei punti di riferimento. Ancora la selezione algoritmica delle caratteristiche alla realtà biologica.

Lezione 2 • Influenze demografiche sul riconoscimento

Indaga come sesso, fascia d'età e tonalità della pelle influenzino in modo differenziale l'accuratezza dell'algoritmo. Motiva pratiche di valutazione attente all'equità e di cura dei dataset.

Lezione 3 • Fattori di variabilità facciale

Analizza posa, illuminazione, espressione e occlusione come le quattro sfide principali. Gli studenti prevedono la difficoltà di riconoscimento date le condizioni ambientali.

Lezione 1 • Valutazione della qualità dell'immagine

Definisce metriche di qualità allineate agli standard ISO, tra cui nitidezza, angolo di posa e punteggio di occlusione. Gli studenti implementano controlli di qualità che scartano acquisizioni scadenti prima dell'arruolamento.

Lezione 2 • Tecniche di normalizzazione dell'immagine

Applica l'allineamento geometrico, l'equalizzazione dell'istogramma e la riduzione del rumore alle acquisizioni grezze. Le immagini normalizzate alimentano coerentemente le fasi di estrazione delle caratteristiche.

Lezione 3 • Tecnologie di telecamere e sensori

Confronta sensori a luce visibile, nel vicino infrarosso, di profondità e termici per l'acquisizione del volto. Gli studenti selezionano l'hardware appropriato per ambienti vincolati rispetto a quelli non vincolati.

Lezione 4 • Progettazione dell'illuminazione per l'acquisizione del volto

Tratta configurazioni di illuminazione frontale, laterale e diffusa e il loro effetto sulla visibilità delle caratteristiche. Gli studenti progettano schemi di illuminazione che minimizzano gli errori di riconoscimento indotti dalle ombre.

Lezione 1 • Metodi subspaziali e statistici

Applica Eigenfaces basati su PCA e Fisherfaces basati su LDA per la riduzione della dimensionalità. Gli studenti proiettano immagini del volto in sottospazi compatti e misurano la separabilità.

Lezione 2 • Caratteristiche geometriche e basate su punti di riferimento

Estrae distanze, angoli e rapporti tra punti di riferimento come descrittori facciali compatti. Stabilisce la linea di base geometrica prima che vengano introdotti i metodi basati sulla texture.

Lezione 3 • Descrittori di caratteristiche basati sulla texture

Tratta LBP, filtri di Gabor e HOG come codificatori di texture artigianali. Gli studenti estraggono e visualizzano i descrittori per comprenderne il potere discriminante.

Lezione 4 • Estrazione di caratteristiche convoluzionali profonde

Utilizza CNN pre-addestrate per estrarre vettori di embedding ad alta dimensionalità da immagini del volto. Gli studenti confrontano gli embedding profondi con i descrittori classici su benchmark di accuratezza.

Lezione 1 • Metriche di distanza e similarità

Confronta le distanze euclidea, coseno, Mahalanobis e chi-quadrato per la corrispondenza delle caratteristiche. Gli studenti selezionano le metriche appropriate alla geometria dello spazio delle caratteristiche.

Lezione 2 • Corrispondenza dei template e fusione dei punteggi

Combina confronti multipli sonda-galleria in un unico punteggio fuso. Gli studenti implementano regole di fusione di somma, prodotto e massimo e ne valutano l'effetto sull'EER.

Lezione 3 • Biometria continua e morbida

Introduce attributi morbidi come età, genere ed etnia come segnali ausiliari di corrispondenza. Gli studenti integrano la biometria morbida per migliorare la selezione in ricerche su larga scala.

Lezione 4 • Impostazione e calibrazione della soglia

Deriva le soglie decisionali dalle distribuzioni dei punteggi utilizzando l'analisi ROC. Gli studenti calibrano i sistemi per soddisfare obiettivi di sicurezza o convenienza specifici dell'applicazione.

Lezione 1 • Addestramento e ottimizzazione del modello

Applica schedulazioni del tasso di apprendimento, normalizzazione batch e regolarizzazione all'addestramento del modello facciale. Gli studenti riproducono un risultato di benchmark pubblicato su un dataset standard.

Lezione 2 • Architetture CNN per il riconoscimento facciale

Esamina VGGNet, ResNet, MobileNet ed EfficientNet come scelte di backbone per i modelli facciali. Gli studenti selezionano le architetture in base a compromessi accuratezza-efficienza.

Lezione 3 • Valutazione su benchmark standard

Utilizza i protocolli LFW, IJB-C e MegaFace per misurare l'accuratezza di verifica e identificazione. Gli studenti interpretano i risultati dei benchmark e confrontano i modelli oggettivamente.

Lezione 4 • Dati di addestramento e cura del dataset

Esamina dataset facciali su larga scala, qualità dell'etichettatura e requisiti di equilibrio demografico. Gli studenti verificano un dataset per individuare bias e progettano una strategia di campionamento bilanciato.

Lezione 1 • Tecniche di rilevamento dei deepfake

Identifica artefatti GAN, incongruenze temporali e segnali fisiologici nei video deepfake. Gli studenti applicano pipeline di rilevamento a campioni video di volti sintetici.

Lezione 2 • Modelli di anti-spoofing con deep learning

Addestra modelli CNN binari e multi-classe per distinguere volti reali da quelli falsificati. Gli studenti valutano i modelli utilizzando le metriche ACER e APCER degli standard ISO.

Lezione 3 • Rilevamento basato su texture e artefatti

Applica LBP, analisi in frequenza e rilevamento di pattern moiré per identificare input falsificati. Gli studenti testano i rilevatori contro campioni di attacco stampati e riprodotti.

Lezione 4 • Analisi challenge-response e del movimento

Utilizza sfide di ammiccamento, rotazione della testa e gesti casuali per confermare la vitalità del soggetto. Gli studenti progettano sequenze di sfida che bilanciano sicurezza ed esperienza utente.

Lezione 1 • Sicurezza e protezione dei template

Implementa biometrica cancellabile, enclave sicure e archiviazione crittografata dei template. Gli studenti valutano gli schemi di protezione contro attacchi di ricostruzione dei template.

Lezione 2 • Monitoraggio, manutenzione e deriva

Stabilisce cruscotti KPI, rilevamento della deriva e trigger di riaddestramento del modello per sistemi in produzione. Gli studenti progettano un piano di monitoraggio che mantenga l'accuratezza su un orizzonte pluriennale.

Lezione 3 • Integrazione e architettura del sistema

Tratta modelli di implementazione edge, cloud e ibridi per pipeline di riconoscimento facciale. Gli studenti progettano un'implementazione che soddisfi i requisiti di latenza, throughput e disponibilità.

Lezione 4 • Audit dei bias e test di equità

Applica la parità demografica, le probabilità equalizzate e l'analisi dell'accuratezza dei sottogruppi ai modelli implementati. Gli studenti producono un report di audit dei bias con raccomandazioni di correzione.