[논문 리뷰] Applying Artificial Intelligence for Age Estimation in Digital Forensic Investigations

Thomas Grübl, Harjinder Singh Lallie|arXiv (Cornell University)|2022. 01. 09.

Face recognition and analysis인용 수 5

한 줄 요약

이 논문은 아동 성범죄 및 착취 디지털 증거 조사 향상을 위해 327장의 이미지(0–20세)로 구성된 새로운 다각도의 얼굴 이미지 데이터셋을 사용하여 CNN 기반 연령 추정 프로토타입을 제안한다. DEX 알고리즘으로 훈련된 모델은 청소년기(10–20세)에서 평균 절대 오차(MAE) 1.79를 기록하여 법적 성인 연령 기준선 근처에서 뛰어난 성능을 보이며, 10세 미만 어린이의 정확도는 여전히 제한되어 있음.

ABSTRACT

The precise age estimation of child sexual abuse and exploitation (CSAE) victims is one of the most significant digital forensic challenges. Investigators often need to determine the age of victims by looking at images and interpreting the sexual development stages and other human characteristics. The main priority - safeguarding children -- is often negatively impacted by a huge forensic backlog, cognitive bias and the immense psychological stress that this work can entail. This paper evaluates existing facial image datasets and proposes a new dataset tailored to the needs of similar digital forensic research contributions. This small, diverse dataset of 0 to 20-year-old individuals contains 245 images and is merged with 82 unique images from the FG-NET dataset, thus achieving a total of 327 images with high image diversity and low age range density. The new dataset is tested on the Deep EXpectation (DEX) algorithm pre-trained on the IMDB-WIKI dataset. The overall results for young adolescents aged 10 to 15 and older adolescents/adults aged 16 to 20 are very encouraging -- achieving MAEs as low as 1.79, but also suggest that the accuracy for children aged 0 to 10 needs further work. In order to determine the efficacy of the prototype, valuable input of four digital forensic experts, including two forensic investigators, has been taken into account to improve age estimation results. Further research is required to extend datasets both concerning image density and the equal distribution of factors such as gender and racial diversity.

연구 동기 및 목표

• 인간 판단이 인지 편향과 정서적 스트레스로 인해 저하되는 아동 성범죄 및 착취(CSAE) 조사에서 연령 추정의 핵심 과제를 해결하기 위해.
• 기존 데이터셋의 낮은 이미지 다양성과 0–10세 연령 범위에서의 열악한 연령 분포 등의 격차를 해소하기 위해 디지털 증거 분석 요구사항에 맞춘 새로운 다각도의 얼굴 이미지 데이터셋을 개발하기 위해.
• 새로운 데이터셋에서 사전 훈련된 딥 응 expectation(DEX) 모델의 성능을 평가하여 법의학적 맥락에서의 정확성과 신뢰성을 점검하기 위해.
• 디지털 증거 분석 전문가의 피드백을 통합하여 프로토타입의 사용성 향상과 실제 조사 워크플로우와의 일치를 확보하기 위해.
• 인간의 트라우마적 증거 노출을 줄이고 CSAE 사례에서 연령 추정의 속도와 일관성을 향상시키기 위해 AI 지원 의사결정 시스템의 개발을 진전시키기 위해.

제안 방법

• 원본 자료에서 245장의 이미지를 선별하여 FG-NET 데이터셋의 82장 이미지와 융합하여, 높은 다양성과 균형 잡힌 연령 분포를 가진 총 327장의 이미지로 구성된 새로운 데이터셋을 구축함.
• 원래 IMDB-WIKI 데이터셋으로 훈련된 사전 훈련된 딥 응 expectation(DEX) 컨volution 신경망(CNN) 모델을 사용하여 새로운 데이터셋에서 연령 추정을 수행함.
• DEX 모델을 활용해 얼굴 이미지에서 연령을 예측하며, 법의학적 의사결정 지원을 위해 예측 결과를 연령 확률 분포 형태로 제시함.
• 특히 10–15세 및 16–20세 연령대에서의 정확도를 측정하기 위해 평균 절대 오차(MAE)를 사용한 정량적 평가를 수행함.
• 인터뷰 및 소프트웨어 평가를 통해 디지털 증거 분석 전문가 4명(중 2명은 조사관)으로부터 사용성 평가 및 주요 우려 사항을 수집함.
• 전문가의 통찰을 반영하여 이미지 품질, 가림, 인종 편향 등의 한계를 프로토타입 설계 및 평가 프레임워크에 통합함.

실험 결과

연구 질문

• RQ1 특히 디지털 증거 조사에 맞게 설계된 새로운 다각도의 얼굴 이미지 데이터셋에서, 보정된 DEX 모델이 신뢰할 수 있는 연령 추정을 달성할 수 있는가?
• RQ2 법적 성인 연령 기준선(16–20세) 근처에서 연령 추정 모델의 성능은 어떻게 변할까? 특히 성인 연령 기준선 근처에서의 성능을 중심으로 평가함.
• RQ3 디지털 증거 분석 전문가들은 AI 지원 연령 추정을 얼마나 유용하게 느끼며, 정확도, 편향, 사용성 측면에서 어떤 우려 사항을 제기하는가?
• RQ4 기존의 얼굴 이미지 데이터셋과 사전 훈련된 모델은 실제 디지털 증거 분석 맥락에 적용했을 때 어떤 주요 한계를 지니는가?
• RQ5 전문가 피드백은 어떻게 효과적으로 AI 프로토타입 개발에 통합되어 실무 조사 워크플로우에서의 실용성을 향상시킬 수 있는가?

주요 결과

• DEX 모델은 10–20세 연령대에서 평균 절대 오차(MAE) 1.79를 기록하여 성인 연령 기준선 근처의 청소년기에서 강력한 성능을 보임.
• 특히 16–20세의 고연령 청소년에서 성능이 뛰어나 최신 기술 수준의 솔루션과 유사한 결과를 보이며, 법적 성인 연령 분류에 높은 신뢰성을 지님.
• 0–10세 어린이의 연령 추정 정확도는 여전히 낮아, 이 연령대에서의 모델 보완 및 데이터셋 확장의 필요성이 있음.
• 디지털 증거 분석 전문가들은 AI 지원 연령 추정에 강력한 지지를 표하며, 정서적 부담 감소와 일관성 향상을 언급하지만, 인종 편향, 이미지 흐림, 얼굴 가림 등의 문제를 우려함.
• 원본 데이터와 FG-NET 데이터를 융합한 327장의 새로운 데이터셋은 기존 데이터셋 대비 더 높은 다양성과 낮은 연령 범위 집중도를 제공하지만, 크기가 여전히 제한되어 있음.
• 전문가 피드백은 예측 결과를 단일 값 추정이 아닌 확률 분포 형태로 시각화하는 것이 법의학적 의사결정 지원에 중요하며, 단일 추정에 대한 과도한 확신을 줄이는 데 기여함.