DE112016005555T5

DE112016005555T5 - CAPTCHA-Aufgaben auf Bildbasis

Info

Publication number: DE112016005555T5
Application number: DE112016005555.2T
Authority: DE
Inventors: Wei Liu; Vinay Damodar Shet; Ying Liu; Aaron Malenfant; Haidong Shao; Hongshu Liao; Jiexing Gu; Edison Tan
Original assignee: Google LLC
Current assignee: Google LLC
Priority date: 2015-12-03
Filing date: 2016-12-01
Publication date: 2018-08-30
Also published as: WO2017096022A1; US20170372048A1; CN114297608A; KR102043938B1; KR20200090963A; US20170161477A1; JP2020030868A; KR102138289B1; GB2558441A; US9760700B2; GB201804026D0; GB2602565B; JP6633188B2; JP2018532188A; GB202202147D0; KR102504077B1; CN108351932A; CN108351932B; KR20180041699A; US10042992B2

Abstract

Es werden Systeme und Verfahren zum Bestimmen von Bildeigenschaften geschaffen. Insbesondere kann ein erstes Bild mit einer unbekannten Eigenschaft erhalten werden. Das erste Bild kann zu mehreren Benutzervorrichtungen in einer Verifizierungsaufgabe geliefert werden. Die Verifizierungsaufgabe kann eine oder mehrere Anweisungen umfassen, die einem Benutzer jeder Benutzervorrichtung präsentiert werden sollen. Die Anweisungen werden zumindest teilweise auf der Basis des ersten Bildes bestimmt. Benutzerantworten können empfangen werden und eine unbekannte Eigenschaft des ersten Bildes kann zumindest teilweise auf der Basis der empfangenen Antworten bestimmt werden. Im Anschluss an die Bestimmung der unbekannten Eigenschaft des ersten Bildes können ein oder mehrere Maschinenlernmodelle zumindest teilweise auf der Basis der bestimmten Eigenschaft trainiert werden.

Description

GEBIET
Die vorliegende Offenbarung bezieht sich im Allgemeinen auf CAPTCHA-Aufgaben und insbesondere auf das Bestimmen von Bildeigenschaften unter Verwendung von CAPTCHA-Aufgaben auf Bildbasis.
HINTERGRUND
Das Vertrauen ist eine Bereicherung bei Zusammenwirkungen auf Webbasis. Ein Benutzer muss beispielsweise vertrauen, dass eine Entität ausreichende Mechanismen bereitstellt, um seine Identität und andere vertrauliche Informationen zu bestätigen und zu schützen, damit der Benutzer sich bei der Zusammenwirkung mit einer solchen Entität wohlfühlt. Ferner muss eine Entität, die eine Webressource bereitstellt, automatisierte Angriffe blockieren können, die versuchen, zur Webressource für bösartige Zwecke Zugang zu erlangen. Folglich sind raffinierte Authentifizierungsmechanismen, die zwischen einer Ressourcenanforderung, die von einem Menschen stammt, und einer Anforderung, die durch eine automatisierte Maschine erzeugt wird, unterscheiden können, ein unverzichtbares Werkzeug beim Sicherstellen, dass Webressourcen vor automatisierten Angriffen geschützt sind, und Entwickeln der erforderlichen Vertrauensbeziehung zwischen einem Ressourcenanbieter und einem Benutzer.
CAPTCHA-Systeme („vollständig automatisierter öffentlicher Turing-Test, um Computer und Menschen auseinanderzuhalten“) können einen solchen Authentifizierungsmechanismus schaffen. Ein Ziel eines CAPTCHA-Systems besteht darin, Situationen auszunutzen, in denen bekannt ist, dass Menschen Tätigkeiten besser durchführen als automatisierte Maschinen. Als Teil eines Verifizierungsprozesses können folglich CAPTCHA-Systeme eine Aufgabe bereitstellen, die für einen Menschen lösbar ist, aber im Allgemeinen für eine Maschine unlösbar ist.
ZUSAMMENFASSUNG
Aspekte und Vorteile von Ausführungsformen der vorliegenden Offenbarung werden teilweise in der folgenden Beschreibung dargelegt oder können aus der Beschreibung gelernt werden oder können durch die Ausführung der Ausführungsformen gelernt werden.
Ein Beispielaspekt der vorliegenden Offenbarung ist auf ein computerimplementiertes Verfahren zum Bestimmen von Bildeigenschaften gerichtet. Das Verfahren umfasst das Erhalten eines ersten Bildes mit einer unbekannten Eigenschaft durch die eine oder die mehreren Rechenvorrichtungen. Das Verfahren umfasst ferner das Liefern eines ersten Bildes zu mehreren Benutzervorrichtungen durch die eine oder die mehreren Rechenvorrichtungen in einer Verifizierungsaufgabe. Die Verifizierungsaufgabe umfasst eine oder mehrere Anweisungen, die einem Benutzer jeder Benutzervorrichtung präsentiert werden sollen. Die Anweisungen werden zumindest teilweise auf der Basis des ersten Bildes bestimmt. Das Verfahren umfasst ferner das Empfangen einer Antwort auf die Verifizierungsaufgabe durch die eine oder die mehreren Rechenvorrichtungen von zumindest einer Teilmenge der mehreren Benutzervorrichtungen. Das Verfahren umfasst ferner das Bestimmen der unbekannten Eigenschaft des ersten Bildes durch die eine oder die mehreren Rechenvorrichtungen zumindest teilweise auf der Basis der empfangenen Antworten. Das Verfahren umfasst ferner im Anschluss an die Bestimmung der unbekannten Eigenschaft des ersten Bildes durch die eine oder die mehreren Rechenvorrichtungen das Trainieren von einem oder mehreren Maschinenlernmodellen durch die eine oder die mehreren Rechenvorrichtungen zumindest teilweise auf der Basis der bestimmten Eigenschaft.
Das Verfahren kann ferner die folgenden optionalen Merkmale umfassen. Das Verfahren kann ferner das Empfangen einer Anforderung, einen Verifizierungsprozess zu betreiben, durch eine oder mehrere Rechenvorrichtungen von einer Benutzerrechenvorrichtung umfassen, und wobei das eine oder die mehreren ersten Bilder in Reaktion auf das Empfangen der Anforderung erhalten werden. Das Verfahren kann ferner das Erhalten von mehreren zweiten Bildern mit bekannten Eigenschaften durch die eine oder die mehreren Rechenvorrichtungen; und das Liefern zumindest einer Teilmenge der mehreren zweiten Bilder zusammen mit dem einen oder den mehreren ersten Bildern durch die eine oder die mehreren Rechenvorrichtungen in der Verifizierungsaufgabe umfassen. Die unbekannte Eigenschaft des einen oder der mehreren ersten Bilder kann zumindest teilweise auf der Basis des einen oder der mehreren Maschinenlernmodelle als unbekannt bestimmt werden, wobei das eine oder die mehreren Maschinenlernmodelle dazu konfiguriert sind, ein oder mehrere Bilder als Eingabe zu empfangen und eine oder mehrere Eigenschaften des einen oder der mehreren Bilder als Ausgabe zu bestimmen. Die bekannten Eigenschaften der mehreren zweiten Bilder können zumindest teilweise auf der Basis des einen oder der mehreren Maschinenlernmodelle bestimmt werden. Die eine oder die mehreren Eigenschaften des einen oder der mehreren Bilder können sich auf ein oder mehrere Elemente oder Objekte beziehen, die in dem einen oder den mehreren Bildern dargestellt sind. Das eine oder die mehreren Maschinenlernmodelle können ferner dazu konfiguriert sein, eine Sicherheitswahrscheinlichkeit bereitzustellen, die einen Grad an Sicherheit angibt, dass die Ausgabe des Modells korrekt ist. Die unbekannte Eigenschaft des einen oder der mehreren ersten Bilder kann als unbekannt bestimmt werden, wenn die Sicherheitswahrscheinlichkeit, die dem einen oder den mehreren ersten Bildern zugeordnet ist, unter einem Sicherheitsschwellenwert liegt. Die eine oder die mehreren Anweisungen, die der Verifizierungsaufgabe zugeordnet sind, können den Benutzer auffordern, mit einem oder mehreren der ersten oder zweiten Bilder zusammenzuwirken, die ein Kriterium erfüllen. Die eine oder die mehreren Anweisungen, die der Verifizierungsaufgabe zugeordnet sind, können den Benutzer auffordern, mit zumindest einem Teil des einen oder der mehreren ersten Bilder zusammenzuwirken, der ein Kriterium erfüllt. Die eine oder die mehreren Anweisungen, die der Verifizierungsaufgabe zugeordnet sind, können den Benutzer auffordern, einen Teil von mindestens einem des einen oder der mehreren ersten Bilder auszuwählen. Die Verifizierungsaufgabe kann zumindest teilweise auf der Basis der unbekannten Eigenschaft des einen oder der mehreren ersten Bilder bestimmt werden. Das Verfahren kann ferner das Liefern eines dritten Bildes in der Verifizierungsaufgabe durch die eine oder die mehreren Rechenvorrichtungen umfassen, wobei das dritte Bild ein Element oder Objekt darstellt, und wobei die eine oder die mehreren Anweisungen, die der Verifizierungsaufgabe zugeordnet sind, den Benutzer auffordern, eines oder mehrere des einen oder der mehreren ersten Bilder oder zumindest einer Teilmenge von zweiten Bildern auszuwählen, die ein Element oder Objekt darstellen, das von derselben Klassifikation wie das Element oder Objekt ist, das im dritten Bild dargestellt ist. Das Verfahren kann ferner das Bestimmen, ob jede der mehreren Benutzervorrichtungen verifiziert werden soll, zumindest teilweise auf der Basis der Antworten auf die Verifizierungsaufgabe durch die eine oder die mehreren Rechenvorrichtungen umfassen. Das Bestimmen der unbekannten Eigenschaft des einen oder der mehreren ersten Bilder durch die eine oder die mehreren Rechenvorrichtungen kann das Ableiten der unbekannten Eigenschaft des einen oder der mehreren ersten Bilder durch die eine oder die mehreren Rechenvorrichtungen umfassen, wenn eine Schwellenanzahl von Benutzerantworten eine Eigenschaft des einen oder der mehreren ersten Bilder angibt.
Andere Beispielaspekte der vorliegenden Offenbarung sind auf Systeme, Vorrichtungen, konkrete, nichttransitorische, computerlesbare Medien, Benutzerschnittstellen, Speichervorrichtungen und elektronische Vorrichtungen zum Bestimmen von Bildeigenschaften unter Verwendung von Verifizierungsaufgaben auf Bildbasis gemäß dem vorstehend beschriebenen beispielhaften Aspekt, der ein Verfahren schafft, gerichtet.
Die obigen Aspekte streben danach, Probleme anzugehen, die damit verbunden sind, wie ein Maschinenlernmodell für die Klassifikation von Bildern und die Bestimmung von Bildeigenschaften zu trainieren ist.
Diese und andere Merkmale, Aspekte und Vorteile von verschiedenen Ausführungsformen werden mit Bezug auf die folgende Beschreibung und die beigefügten Ansprüche besser verständlich. Die begleitenden Zeichnungen, die in diese Patentbeschreibung eingegliedert sind und einen Teil von dieser bilden, stellen Ausführungsformen der vorliegenden Offenbarung dar und dienen zusammen mit der Beschreibung zum Erläutern der zugehörigen Prinzipien.
Figurenliste
Eine ausführliche Erörterung von Ausführungsformen, die an einen Fachmann auf dem Gebiet gerichtet ist, wird in der Patentbeschreibung dargelegt, die auf die beigefügten Figuren Bezug nimmt; es zeigen:

1 einen Überblick eines Beispielsystems zum Bestimmen von Bildeigenschaften unter Verwendung von CAPTCHA-Aufgaben auf Bildbasis gemäß Beispielausführungsformen der vorliegenden Offenbarung;
2-4 Beispiel-CAPTCHA-Aufgaben gemäß Beispielausführungsformen der vorliegenden Offenbarung;
5 ein Ablaufdiagramm eines Beispielverfahrens zum Bestimmen von Bildeigenschaften auf der Basis von CAPTCHA-Aufgabenergebnissen gemäß Beispielausführungsformen der vorliegenden Offenbarung;
6 ein Ablaufdiagramm eines Beispielverfahrens zum Verifizieren eines Benutzers gemäß Beispielausführungsformen der vorliegenden Offenbarung; und
7 ein Beispielsystem gemäß Beispielausführungsformen der vorliegenden Offenbarung.

AUSFÜHRLICHE BESCHREIBUNG
Nun wird im Einzelnen auf Ausführungsformen Bezug genommen, von denen ein oder mehrere Beispiele in den Zeichnungen dargestellt sind. Jedes Beispiel ist zur Erläuterung der Ausführungsformen, nicht zur Begrenzung der vorliegenden Offenbarung vorgesehen. Tatsächlich ist für den Fachmann auf dem Gebiet ersichtlich, dass verschiedene Modifikationen und Veränderungen an den Ausführungsformen durchgeführt werden können, ohne vom Schutzbereich oder Gedanken der vorliegenden Offenbarung abzuweichen. Merkmale, die als Teil einer Ausführungsform dargestellt oder beschrieben sind, können beispielsweise bei einer anderen Ausführungsform verwendet werden, um noch eine weitere Ausführungsform zu ergeben. Folglich ist beabsichtigt, dass Aspekte der vorliegenden Offenbarung solche Modifikationen und Veränderungen abdecken.
Beispielaspekte der vorliegenden Offenbarung sind auf das Bestimmen von Bildklassifikationen zumindest teilweise auf der Basis einer Verifizierungsaufgabe auf Bildbasis gerichtet. Ein Bild mit einer oder mehreren unbekannten Eigenschaften kann beispielsweise erhalten und zu mehreren Benutzervorrichtungen als Teil einer Verifizierungsaufgabe geliefert werden, wie z. B. einer Aufgabe eines vollständig automatisierten öffentlichen Turing-Tests, um Computer und Menschen auseinanderzuhalten (CAPTCHA). Insbesondere kann die Aufgabe eine oder mehrere Anweisungen umfassen, die den Benutzer auffordern, mit dem ersten Bild in einer festgelegten Weise zusammenzuwirken. Antworten auf die Aufgabe können von jeder der mehreren Benutzervorrichtungen erhalten werden. Mindestens eine der einen oder mehreren unbekannten Eigenschaften des ersten Bildes kann dann zumindest teilweise auf der Basis der Antworten von den mehreren Benutzervorrichtungen bestimmt werden. Sobald die mindestens eine unbekannte Eigenschaft bestimmt ist, kann das erste Bild verwendet werden, um ein oder mehrere Maschinenlernmodelle zu trainieren.
Insbesondere kann ein Benutzer versuchen, auf einen Online-Dienst oder eine Online-Ressource durch eine Benutzervorrichtung zuzugreifen. Wie hier verwendet, kann eine Benutzervorrichtung ein Laptop-Computer, ein Desktop-Computer, ein Smartphone, ein Tablet, eine tragbare Rechenvorrichtung oder irgendeine andere geeignete Benutzerrechenvorrichtung sein. Um auf den Online-Dienst zuzugreifen, kann der Benutzer zuerst aufgefordert werden, mit einem computerisierten CAPTCHA-System zusammenzuwirken, um den menschlichen Status des Benutzers zu verifizieren, wodurch verhindert wird, dass „Bots“ den Online-Dienst beschädigen. Das CAPTCHA-System kann beispielsweise eine Verifizierungsaufgabe zum Benutzer liefern und der Benutzer kann Zugang zum Online-Dienst erlangen, wenn der Benutzer die Aufgabe „besteht“. In einigen Implementierungen kann die Verifizierungsaufgabe eine Aufgabe auf Bildbasis mit Anweisungen sein, die den Benutzer auffordern, die Aufgabe durch Zusammenwirkung mit einem oder mehreren Bildern zu lösen.
Wie angegeben, können beispielsweise ein oder mehrere erste Bilder mit einer oder mehreren unbekannten Eigenschaften zum Benutzer in der Verifizierungsaufgabe geliefert werden. Eine unbekannte Eigenschaft kann beispielsweise eine unbestimmte Klassifikation sein, die einem Bild zugeordnet ist. In dieser Weise kann ein Bild mit einer oder mehreren unbekannten Eigenschaften ein Bild sein, für das die Klassifikation der Inhalte, die im Bild dargestellt sind, innerhalb einer angemessenen Sicherheit nicht bestimmt werden kann. Als anderes Beispiel kann die unbekannte Eigenschaft einem Ort eines Objekts oder Elements im Bild zugeordnet sein. In einigen Implementierungen kann, ob eine Eigenschaft eines Bildes bekannt oder unbekannt ist, unter Verwendung von einem oder mehreren Maschinenlernmodellen bestimmt werden. Ein oder mehrere Maschinenlernmodelle (z. B. BildKlassifikation, Objektdetektion oder andere Modelle) können beispielsweise dazu konfiguriert sein, Bilder als Eingabe zu empfangen, und ein oder mehrere Objekte oder Elemente, die in den Bildern dargestellt sind, als Ausgabe zu identifizieren, kategorisieren, klassifizieren oder anderweitig zu detektieren. Die Modelle können ferner dazu konfiguriert sein, eine Sicherheitswahrscheinlichkeit zu bestimmen, die einem Grad an Sicherheit entspricht, dass die Ausgabe des Modells korrekt ist. In einigen Implementierungen kann eine Eigenschaft eines Bildes unbekannt sein, wenn das Bild eine zugehörige Sicherheitswahrscheinlichkeit unter einem Schwellenwert aufweist. Das erste Bild mit einer oder mehreren unbekannten Eigenschaften kann beispielsweise ein Bild mit einer Sicherheitswahrscheinlichkeit unter einem Schwellenwert sein.
In einigen Implementierungen können mehrere zweite Bilder auch bestimmt werden und zumindest eine Teilmenge der mehreren zweiten Bilder kann zu den mehreren Benutzervorrichtungen für die Verwendung in der Verifizierungsaufgabe geliefert werden. Die mehreren zweiten Bilder können Bilder mit bekannten Eigenschaften sein. Die mehreren zweiten Bilder können beispielsweise Bilder mit einer zugehörigen Sicherheitswahrscheinlichkeit über dem Schwellenwert sein. Als anderes Beispiel können die zweiten Bilder Bilder mit zugehörigen beschreibenden Informationen wie z. B. Metadaten oder anderen Informationen, die die Inhalte der Bilder beschreiben, sein. In dieser Weise kann zumindest eine Teilmenge der mehreren zweiten Bilder zusammen mit dem ersten Bild in der Verifizierungsaufgabe geliefert werden.
Die Verifizierungsaufgabe kann eine Aufgabe auf Bildbasis sein. In einigen Implementierungen kann die Verifizierungsaufgabe der unbekannten Eigenschaft des ersten Bildes zugeordnet sein. Die Verifizierungsaufgabe kann beispielsweise Anweisungen umfassen, die den Benutzer auffordern, mit zumindest einem Teil des ersten Bildes in einer festgelegten Weise zusammenzuwirken. Insbesondere können die Anweisungen den Benutzer auffordern, mit zumindest einem Teil des ersten Bildes zusammenzuwirken, der ein Kriterium erfüllt. Die Anweisungen, die der Verifizierungsaufgabe zugeordnet sind, können beispielsweise einen Benutzer auffordern, einen Teil des ersten Bildes aufzufinden und mit diesem zusammenzuwirken, der ein spezielles Objekt darstellt. Als anderes Beispiel kann die Verifizierungsaufgabe den Benutzer auffordern, mit mindestens einem des ersten Bildes oder des zweiten Bildes zusammenzuwirken. Die Verifizierungsaufgabe kann beispielsweise einen Benutzer auffordern, alle Bilder auszuwählen, die ein spezielles Objekt oder Element darstellen, oder die einer speziellen Kategorie oder Klassifikation zugeordnet sind. In dieser Weise kann die Verifizierungsaufgabe derart zugeschnitten werden, dass die Antworten auf die Verifizierungsaufgabe verwendet werden können, um die unbekannte Eigenschaft zu bestimmen oder abzuleiten. Als noch anderes Beispiel kann in einigen Implementierungen ein Referenzbild zum Benutzer in der Verifizierungsaufgabe zusammen mit den ersten und zweiten Bildern geliefert werden. In solchen Implementierungen können die Anweisungen, die der Verifizierungsaufgabe zugeordnet sind, einen Benutzer auffordern, jedes der ersten und zweiten Bilder auszuwählen, die ein Objekt oder Element aus derselben Kategorie oder Klassifikation wie ein Objekt oder Element, das im Referenzbild dargestellt ist, darstellen. Als noch anderes Beispiel kann eine Verifizierungsaufgabe ein oder mehrere Bilder und Anweisungen umfassen, die einen Benutzer auffordern, eine oder mehrere Kategorien aus einer Liste von Kategorien auszuwählen, die die Bilder beschreiben.
Die Verifizierungsaufgabe kann zu einer oder mehrere Benutzervorrichtungen geliefert werden, die versuchen, Zugang zu einem oder mehreren Online-Diensten zu erlangen. Antworten auf die Verifizierungsaufgabe können dann von den Benutzervorrichtungen empfangen werden. Wenn beispielsweise die Verifizierungsaufgabe den Benutzer auffordert, ein oder mehrere Bilder auszuwählen, die ein festgelegtes Kriterium erfüllen, kann die Antwort vom Benutzer Daten umfassen, die die Bilder angeben, die der Benutzer ausgewählt hat. Die Antwort vom Benutzer kann verwendet werden, um zu bestimmen, ob der Benutzervorrichtung der Zugang zum Online-Dienst gewährt werden sollte. Wenn beispielsweise die Antwort die ausgewählte Aufgabe zufriedenstellend vollendet oder löst, dann kann das computerisierte CAPTCHA-System die Benutzerrechenvorrichtung verifizieren. Als Beispiel kann, sobald das computerisierte CAPTCHA-System ausreichend überzeugt wurde, dass die Benutzervorrichtung durch einen Menschen bedient wird (z. B. auf der Basis der Antwort auf die Verifizierungsaufgabe), das computerisierte CAPTCHA-System ein Verifizierungszeichen oder Verifizierungszertifikat zur Benutzerrechenvorrichtung liefern. Die Benutzerrechenvorrichtung kann dann das Verifizierungszeichen zu einem Ressourcenanbieter liefern, der dem Online-Dienst zugeordnet ist. Der Ressourcenanbieter kann wiederum die Gültigkeit des Verifizierungszeichens mit dem computerisierten CAPTCHA-System bestätigen. Bei der Bestätigung der Zeichengültigkeit kann der Ressourcenanbieter die Ressource für die Benutzervorrichtung bereitstellen. In einigen Implementierungen können die Benutzerantworten auf die Verifizierungsaufgabe beim Bestimmen, ob die Benutzervorrichtung verifiziert werden soll, nicht entscheidend sein. Ein Benutzer kann beispielsweise abgelehnt (z. B. nicht verifiziert) werden, selbst wenn der Benutzer die Verifizierungsaufgabe korrekt löst. Als anderes Beispiel kann der Benutzer verifiziert werden, selbst wenn der Benutzer die Verifizierungsaufgabe nicht korrekt löst. In solchen Implementierungen können ein oder mehrere zusätzliche Signale, die dem Benutzer und/oder der Benutzerrechenvorrichtung zugeordnet sind, verwendet werden (z. B. in Verbindung mit den Benutzerantworten), um zu bestimmen, ob der Benutzer verifiziert werden sol. Ein Benutzer, der die Verifizierungsaufgabe fast löst, kann beispielsweise zumindest teilweise auf der Basis des einen oder der mehreren zusätzlichen Signale verifiziert werden.
Die Antworten auf die Verifizierungsaufgabe können ferner verwendet werden, um die unbekannte Eigenschaft des ersten Bildes (der ersten Bilder) zu bestimmen oder abzuleiten. Insbesondere kann die unbekannte Eigenschaft des ersten Bildes (der ersten Bilder) bestimmt oder abgeleitet werden, wenn eine Schwellenanzahl von Benutzerantworten eine Eigenschaft des ersten Bildes (der ersten Bilder) angibt. Eine Benutzerzusammenwirkung mit dem ersten Bild (den ersten Bildern) angesichts der Verifizierungsaufgabe kann beispielsweise ein Objekt oder Element, das in dem Bild (den Bildern) dargestellt ist, angeben. Als Beispiel kann, wenn eine Verifizierungsaufgabe auf Bildbasis Anweisungen umfasst, die einen Benutzer auffordern, alle der Bilder auszuwählen, die einen Tiger darstellen, ob der Benutzer das erste Bild in Reaktion auf die Verifizierungsaufgabe auswählt oder nicht, angeben, ob das erste Bild einen Tiger darstellt. In dieser Weise kann, wenn genügend Benutzer (z. B. eine Anzahl von Benutzern über einem Schwellenwert) das erste Bild in Reaktion auf das Empfangen der Verifizierungsaufgabe auswählen, abgeleitet werden, dass das Bild einen Tiger darstellt. Wenn die Anzahl von Benutzern, die das erste Bild auswählen, unter dem Schwellenwert liegt, kann abgeleitet werden, dass das erste Bild keinen Tiger darstellt. In einigen Implementierungen kann die Ableitung zumindest teilweise auf der Basis eines Prozentsatzes von Benutzern durchgeführt werden, die das Bild auswählen. Als anderes Beispiel können in Implementierungen, in denen eine Verifizierungsaufgabe Anweisungen umfasst, die einen Benutzer auffordern, einen Teil des ersten Bildes aufzufinden und damit zusammenzuwirken, der ein spezielles Objekt darstellt, die Benutzerauswahlen verwendet werden, um die Anordnung des Objekts im ersten Bild zu bestimmen.
In einigen Implementierungen können die Benutzerantworten auf die Verifizierungsaufgabe verwendet werden, um die bekannten Bilder zu bestätigen. Die Benutzerantworten auf die Verifizierungsaufgabe können beispielsweise verwendet werden, um zu verifizieren, dass die bekannte Eigenschaft der bekannten Bilder korrekt ist. In dieser Weise kann, wenn genügend Benutzerantworten, die einem bekannten Bild zugeordnet sind, angeben, dass die bekannten Eigenschaften falsch sind, das Bild vom Satz von bekannten Bildern entfernt werden. Als anderes Beispiel kann die bekannte Eigenschaft zumindest teilweise auf der Basis der Benutzerantworten eingestellt oder verfeinert werden.
Sobald die unbekannte Eigenschaft bestimmt ist, kann (können) das erste Bild (die ersten Bilder) verwendet werden, um ein oder mehrere Maschinenlernmodelle zu trainieren. Insbesondere können Daten, die das erste Bild (die ersten Bilder) angeben, zu einem Korpus von Trainingsdaten hinzugefügt werden, die verwendet werden, um die Modelle zu trainieren. Die Maschinenlernmodelle können beispielsweise in Bilderkennungsanwendungen, Objektdetektionsanwendungen und/oder anderen geeigneten Anwendungen verwendet werden. Insbesondere können die Maschinenlernmodelle unter Verwendung eines Satzes von Trainingsdaten trainiert werden. Solche Trainingsdaten können Daten (z. B. Vektordaten oder andere Daten) umfassen, die ein oder mehrere Bilder mit bekannten Eigenschaften angeben. Die Trainingsdaten können beispielsweise Daten umfassen, die ein oder mehrere Bilder angeben, deren Inhalte bereits bekannt sind. In dieser Weise können die Trainingsdaten mehrere Eingabe/Ausgabe-Paare umfassen, wobei die Eingabe die Vektordaten sind, die ein Bild angeben, und die Ausgabe Daten sind, die die Inhalte des Bildes (z. B. ein oder mehrere Elemente, die im Bild dargestellt sind) angeben. Die Maschinenlernmodelle können zumindest teilweise auf der Basis der Eingabe/Ausgabe-Paare der Trainingsdaten trainiert werden. Die Vektordaten, die einem Bild zugeordnet sind, können beispielsweise in das (die) Maschinenlernmodell(e) eingegeben werden und die Ausgabe des Modells kann mit der Ausgabe der Trainingsdaten verglichen werden. Das Modell (die Modelle) kann (können) zumindest teilweise auf der Basis des Vergleichs eingestellt oder verfeinert werden.
Mit Bezug nun auf die Figuren werden Beispielaspekte der vorliegenden Offenbarung genauer erörtert. 1 stellt beispielsweise einen Überblick eines Beispielsystems 100 zum Bereitstellen von Verifizierungsaufgaben auf Bildbasis dar. Insbesondere kann das System 100 ein computerisiertes CAPTCHA-System 102, ein Maschinenlernnetz 104 und einen Ressourcenanbieter 106 umfassen. In einigen Implementierungen können das CAPTCHA-System 102, das Maschinenlernnetz 104 und/oder der Ressourcenanbieter 106 über ein Netz miteinander kommunizieren.
Das CAPTCHA-System 102 kann unter Verwendung von einer oder mehreren Rechenvorrichtungen wie beispielsweise einem oder mehreren Servern implementiert werden. Das CAPTCHA-System 102 kann dazu konfiguriert sein, CAPTCHA-Verifizierungsaufgaben zu bestimmen und solche Aufgaben zu einer Benutzervorrichtung in Reaktion auf eine Verifizierungsanforderung von einer Benutzervorrichtung zu liefern. In einigen Implementierungen können die Verifizierungsaufgaben CAPTCHA-Aufgaben auf Bildbasis sein. Die CAPTCHA-Aufgabe kann beispielsweise das Liefern von einem oder mehreren bekannten und/oder unbekannten Bildern zu einem Benutzer umfassen. Solche Aufgaben auf Bildbasis können zugehörige Anweisungen aufweisen, die einen Benutzer auffordern, die Aufgabe durch Zusammenwirkung mit einem oder mehreren Bildern zu lösen. Wie vorstehend angegeben, kann beispielsweise eine Aufgabe Anweisungen umfassen, die einen Benutzer auffordern, alle der dargestellten Bilder auszuwählen, die übereinstimmen oder die zu einer speziellen Kategorie oder Klassifikation gehören. Als anderes Beispiel kann die Aufgabe Anweisungen umfassen, die einen Benutzer auffordern, einen Teil eines Bildes auszuwählen oder anderweitig mit diesem zusammenzuwirken, der ein spezielles Element, Objekt, Tier usw. darstellt.
Wie gezeigt, kann das CAPTCHA-System 102 auf Bilddaten von einer Bilddatenbank 108 zugreifen. Die Bilddatenbank 108 kann mehrere Bilder umfassen, die in einer oder mehreren Verifizierungsaufgaben verwendet werden sollen. In Beispielimplementierungen kann die Bilddatenbank 108 eine einzelne Datenbank sein, die an einem einzelnen Ort angeordnet ist, oder kann mehrere Datenbanken umfassen, die über mehrere Orte verteilt sind. Insbesondere kann die Bilddatenbank 108 bekannte Bilder und unbekannte Bilder umfassen. Bekannte Bilder können Bilder umfassen, die eine oder mehrere bekannte Eigenschaften aufweisen. Bekannte Bilder können beispielsweise Bilder sein, die klassifiziert oder kategorisiert wurden. In einigen Implementierungen können die eine oder die mehreren bekannten Eigenschaften zumindest teilweise auf der Basis von Metadaten oder anderen beschreibenden Informationen, die dem Bild zugeordnet sind, bestimmt werden. In einigen Implementierungen können die eine oder die mehreren bekannten Eigenschaften zumindest teilweise auf der Basis des Maschinenlernnetzes 104 bestimmt werden. Das Maschinenlernnetz 104 kann beispielsweise verwendet werden, um ein oder mehrere Objekte, die im Bild dargestellt sind, zu klassifizieren, kategorisieren, identifizieren oder anderweitig zu detektieren.
Die Bilddatenbank 108 kann ferner ein oder mehrere unbekannte Bilder mit einer oder mehreren unbekannten Eigenschaften umfassen. Ähnlich zu den bekannten Bildern kann (können) die unbekannte(n) Eigenschaft(en) zumindest teilweise auf der Basis eines Fehlens von Metadaten oder anderen beschreibenden Informationen, die der unbekannten Eigenschaft zugeordnet sind, als unbekannt bestimmt werden. Als anderes Beispiel kann (können) die unbekannte(n) Eigenschaft(en) zumindest teilweise auf der Basis des Maschinenlernnetzes 104 als unbekannt bestimmt werden.
In einigen Implementierungen können bekannte und/oder unbekannte Bilder relativ zur Verifizierungsaufgabe bestimmt werden. In Implementierungen, in denen die Anweisungen, die einer Verifizierungsaufgabe zugeordnet sind, den Benutzer auffordern, jedes Bild auszuwählen, das einen Tiger darstellt, können beispielsweise die bekannten Bilder ein oder mehrere Bilder von der Bilddatenbank 108 umfassen, von denen bereits bekannt ist, dass sie einen Tiger darstellen, und/oder bekannt ist, dass sie keinen Tiger darstellen. In dieser Weise kann (können) das unbekannte Bild (die unbekannten Bilder) ein Bild umfassen, in dem die im Bild dargestellten Inhalte unbekannt sind. In einigen Implementierungen kann die Verifizierungsaufgabe dann verwendet werden, um die in dem unbekannten Bild (in den unbekannten Bildern) dargestellten Inhalte zu bestimmen oder anderweitig abzuleiten.
Das Maschinenlernnetz 104 kann ein oder mehrere Maschinenlernmodelle umfassen, wie z. B. ein oder mehrere neuronale Netze. Das eine oder die mehreren Modelle können beispielsweise dazu konfiguriert sein, Bilder zu klassifizieren und/oder Objekte, die innerhalb der Bilder dargestellt sind, zu detektieren. In dieser Weise kann das Maschinenlernnetz 104 dazu konfiguriert sein, ein Bild als Eingabe zu empfangen, und eine Bildklassifikation als Ausgabe zu liefern. In einigen Implementierungen kann das Maschinenlernnetz 104 ferner dazu konfiguriert sein, eine Sicherheitswahrscheinlichkeit oder einen anderen Indikator bereitzustellen, der der Ausgabe zugeordnet ist, der ein Vertrauensniveau für die Ausgabe angibt. In einigen Implementierungen kann das Maschinenlernnetz 104 dazu konfiguriert sein, mit der Bilddatenbank 108 zu kommunizieren, um ein oder mehrere Bilder zu klassifizierten, die der Bilddatenbank 108 zugeordnet sind. In dieser Weise kann in einigen Implementierungen ein unbekanntes Bild ein Bild mit einer zugehörigen Sicherheitswahrscheinlichkeit unter einem Schwellenwert sein und ein bekanntes Bild kann ein Bild mit einer zugehörigen Sicherheitswahrscheinlichkeit über dem Schwellenwert sein.
Das Maschinenlernnetz 104 kann ferner dazu konfiguriert sein, das eine oder die mehreren Maschinenlernmodelle zu trainieren. Verschiedene geeignete Algorithmen können beispielsweise verwendet werden, um die Maschinenlernmodelle zumindest teilweise auf der Basis eines Satzes von Trainingsdaten zu verfeinern oder einzustellen. In dieser Weise können die Trainingsdaten verwendet werden, um die Maschinenlernmodelle zu verbessern. Es ist zu erkennen, dass, obwohl das Maschinenlernnetz 104 als vom CAPTCHA-System 102 separates und unterschiedliches System dargestellt ist, das Maschinenlernnetz 104 in einigen Implementierungen innerhalb des CAPTCHA-Systems 102 implementiert werden kann.
Das System 100 umfasst ferner einen Ressourcenanbieter 106. Der Ressourcenanbieter 106 kann einem Online- oder anderen Dienst zugeordnet sein. Der Ressourcenanbieter 106 kann eine Anforderung von einer Benutzervorrichtung für den Zugang zum Online-Dienst empfangen. In Reaktion auf die Anforderung kann der Ressourcenanbieter 106 mit dem CAPTCHA-System 102 koordinieren, um eine Verifizierungsaufgabe zur Benutzervorrichtung zu liefern. In dieser Weise kann das CAPTCHA-System 102 eine Verifizierungsaufgabe bestimmen und die Verifizierungsaufgabe zum Benutzer liefern. In einigen Implementierungen kann das CAPTCHA-System 102 eine Verifizierungsaufgabe zumindest teilweise auf der Basis eines unbekannten Bildes bestimmen. Das CAPTCHA-System 102 kann beispielsweise die Verifizierungsaufgabe derart zuschneiden, dass die Benutzerantwort auf die Verifizierungsaufgabe als Beweis einer Klassifikation oder Kategorisierung des unbekannten Bildes verwendet werden kann. In einigen Implementierungen kann die Verifizierungsaufgabe zumindest teilweise auf der Basis eines Vertrauensniveaus bestimmt werden, dass die Anforderung vielmehr durch einen Menschen als einen Bot geliefert wurde. Die Schwierigkeit der Verifizierungsaufgabe kann beispielsweise zumindest teilweise auf der Basis des Vertrauensniveaus eingestellt werden.
Die Benutzerantwort auf die Verifizierungsaufgabe kann verwendet werden, um die unbekannte(n) Eigenschaft(en) des unbekannten Bildes (der unbekannten Bilder) zu bestimmen. Die Benutzerantwort kann beispielsweise als Beweis verwendet werden, der einer Klassifikation eines unbekannten Bildes zugeordnet ist. In Implementierungen, in denen eine Verifizierungsaufgabe Anweisungen umfasst, alle Bilder auszuwählen, die einen Tiger darstellen, kann beispielsweise, ob der Benutzer das unbekannte Bild auswählt oder nicht, angeben, ob ein unbekanntes Bild einen Tiger darstellt oder nicht. In dieser Weise können die unbekannten Bilder mehreren Benutzern in einer oder mehreren Verifizierungsaufgaben präsentiert werden und die Antworten von den Benutzern auf die eine oder die mehreren Verifizierungsaufgaben können verwendet werden, um die unbekannte Eigenschaft des Bildes abzuleiten. Wenn beispielsweise genügend Benutzer (z. B. ein genügend hoher Prozentsatz von Benutzern und/oder eine Anzahl von Benutzern über einem Schwellenwert) das unbekannte Bild in Reaktion auf die Verifizierungsaufgabe auswählen, die den Benutzer anweist, die Bilder auszuwählen, die einen Tiger enthalten, kann abgeleitet werden, dass das unbekannte Bild einen Tiger darstellt.
Sobald die unbekannte Eigenschaft mit einer angemessenen Sicherheit abgeleitet werden kann, kann das Bild kommentiert werden, um eine Klassifikation des Bildes anzugeben. Das Bild kann dann in den Trainingsdatensatz aufgenommen werden, um das (die) Maschinenlernmodell(e) des Maschinenlernnetzes 104 zu trainieren. In dieser Weise kann das Bild verwendet werden, um die Klassifikationsfähigkeiten der Modelle zu verbessern. In einigen Implementierungen kann das kommentierte Bild ferner in zukünftigen Verifizierungsaufgaben verwendet werden, die durch das CAPTCHA-System 102 bestimmt werden. Das kommentierte Bild kann beispielsweise anschließend als bekanntes Bild in einer oder mehreren Verifizierungsaufgaben verwendet werden.
2 stellt eine Beispiel-CAPTCHA-Aufgabe 110 auf Bildbasis gemäß Beispielausführungsformen der vorliegenden Offenbarung dar. Wie gezeigt, umfasst die CAPTCHA-Aufgabe 110 Anweisungen 112 und ein zugehöriges Referenzbild 114, von dem bekannt ist, dass es einen Hund darstellt. Die Anweisungen 112 fordern den Benutzer auf, alle Bilder auszuwählen, die wie das Referenzbild 114 „aussehen“. Die CAPTCHA-Aufgabe 110 umfasst ferner bekannte Bilder 116 und negative bekannte Bilder 118. Die bekannten Bilder 116 sind Bilder, von denen bekannt ist, dass sie einen Hund darstellen, und die negativen bekannten Bilder 118 sind Bilder, von denen bekannt ist, dass sie keinen Hund darstellen. Obwohl jedes negative bekante Bild 118 Katzen darstellt, ist zu erkennen, dass die negativen bekannten Bilder ein oder mehrere andere Objekte, Elemente, Pflanzen, Tiere, Menschen usw. darstellen können. Die CAPTCHA-Aufgabe 110 stellt ferner ein unbekanntes Bild 120 dar. Das unbekannte Bild 120 kann ein Bild sein, in dem die Inhalte des Bildes unbekannt sind. Wie in 2 gezeigt, stellt das unbekannte Bild 120 eine Eidechse dar.
Wie vorstehend beschrieben, kann beim Empfangen der CAPTCHA-Aufgabe 110 ein Benutzer den Anweisungen folgen und ein oder mehrere Bilder auswählen, die nach Meinung des Benutzers wie das Referenzbild 114 „aussehen“. Die Auswahlen des Benutzers können bestimmen, ob dem Benutzer Zugang zu den Ressourcen oder dem Dienst gewährt wird, der durch einen Ressourcenanbieter bereitgestellt wird. Wenn beispielsweise der Benutzer die Aufgabe „besteht“, kann dem Benutzer Zugang zur Ressource oder zum Dienst gewährt werden. Der Benutzer kann beispielsweise die Aufgabe bestehen, wenn der Benutzer die korrekte Kombination von Bildern auswählt oder nahe der korrekten Kombination von Bildern liegt. Bei der CAPTCHA-Aufgabe 110 besteht der Benutzer, wenn der Benutzer jedes bekannte Bild 116 und keine negativen bekannten Bilder 118 auswählt. In einigen Implementierungen kann, wenn der Benutzer nicht „besteht“, dem Benutzer eine andere CAPTCHA-Aufgabe präsentiert werden.
Da ein unbekanntes Bild 120 keinen Hund darstellt, ist es unwahrscheinlich, dass eine Mehrheit von menschlichen Benutzern, die auf diese Verifizierungsaufgabe antworten, das unbekannte Bild 120 in Reaktion auf die CAPTCHA-Aufgabe 110 auswählt. In dieser Weise kann dann abgeleitet werden, dass das unbekannte Bild 120 keinen Hund darstellt. Ebenso ist es in Fällen, in denen ein unbekanntes Bild einen Hund darstellt, wahrscheinlich, dass eine Mehrheit der menschlichen Benutzer das unbekannte Bild in Reaktion auf die CAPTCHA-Aufgabe auswählt. In dieser Weise kann dann abgeleitet werden, dass das unbekannte Bild einen Hund darstellt.
Sobald die Ableitung durchgeführt ist, dass das unbekannte Bild 120 keinen Hund darstellt, kann es in anschließenden Verifizierungsaufgaben verwendet werden. Beispielsweise kann es als unbekanntes Bild in Verifizierungsaufgaben mit Referenzbildern verwendet werden, die keine Hunde darstellen. In einigen Implementierungen kann das unbekannte Bild 120 anschließend als negatives bekanntes Bild in Verifizierungsaufgaben verwendet werden, die Referenzbilder aufweisen, die Hunde darstellen.
3 und 4 stellen zusätzliche Beispiel-CAPTCHA-Aufgaben auf Bildbasis gemäß Beispielausführungsformen der vorliegenden Offenbarung dar. 3 stellt beispielsweise eine CAPTCHA-Aufgabe 122 mit einem Referenzbild 124 dar, das ein Getränk darstellt. Die Anweisungen fordern den Benutzer auf, eine oder mehrere geeignete Kategorien auszuwählen, die dem Referenzbild 124 zugeordnet sind. Eine oder mehrere Ableitungen und/oder Bestätigungen können in Bezug auf das Referenzbild 124 zumindest teilweise auf der Basis der Auswahlen des Benutzers durchgeführt werden. 4 stellt eine CAPTCHA-Aufgabe 126 dar, die ein Referenzbild 128 darstellt, das eine Szene darstellt. Wie gezeigt, ist das Referenzbild 128 in mehrere Bereiche (z. B. Quadrate) unterteilt. Die CAPTCHA-Aufgabe 126 umfasst ferner Anweisungen, die den Benutzer auffordern, „Wählen Sie alle Quadrate mit Geschäftsnamen aus“. In dieser Weise können eine oder mehrere Ableitungen hinsichtlich des Orts der Geschäftsnamen im Referenzbild 128 auf der Basis der Benutzerantworten durchgeführt werden. Eine Mehrheit von menschlichen Benutzern wählt beispielsweise wahrscheinlich die Bildquadrate 130 und 132 in Reaktion auf die Anweisungen aus. In dieser Weise kann dann abgeleitet werden, dass der Geschäftsname im unteren linken Abschnitt des Referenzbildes 128 in den Bildquadraten 130 und 132 angeordnet ist.
5 stellt ein Ablaufdiagramm eines Beispielverfahrens (200) zum Bestimmen von einer oder mehreren Bildeigenschaften unter Verwendung eines computerisierten CAPTCHA-Systems gemäß Beispielausführungsformen der vorliegenden Offenbarung dar. Das Verfahren (200) kann durch eine oder mehrere Rechenvorrichtungen wie z. B. eine oder mehrere der Rechenvorrichtungen, die in 7 dargestellt sind, implementiert werden. 5 stellt außerdem Schritte dar, die für Erläuterungs- und Erörterungszwecke in einer speziellen Reihenfolge durchgeführt werden. Der Fachmann auf dem Gebiet versteht unter Verwendung der hier vorgesehenen Offenbarungen, dass die Schritte von irgendeinem der hier erörterten Verfahren in verschiedenen Weisen angepasst, umgeordnet, erweitert, weggelassen oder modifiziert werden können, ohne vom Schutzbereich der vorliegenden Offenbarung abzuweichen.
Bei (202) kann das Verfahren (200) das Empfangen einer Anforderung, einen Verifizierungsprozess zu betreiben, umfassen. Die Anforderung kann beispielsweise durch eine Benutzervorrichtung geliefert werden, die durch einen Benutzer bedient wird, der danach strebt, Zugang zu einem Online-Dienst oder einer Online-Ressource zu erlangen. Bei (204) kann das Verfahren (200) das Erhalten eines ersten Bildes mit einer unbekannten Eigenschaft umfassen. In einigen Implementierungen können ein oder mehrere erste Bilder mit unbekannten Eigenschaften erhalten werden. Wie vorstehend angegeben, kann die unbekannte Eigenschaft den Inhalten zugeordnet sein, die im Bild dargestellt sind. Die unbekannte Eigenschaft kann beispielsweise einer Klassifikation oder Kategorisierung der Inhalte des Bildes zugeordnet sein. Als anderes Beispiel kann die unbekannte Eigenschaft der Detektion eines Objekts zugeordnet sein, das im Bild dargestellt ist.
In einigen Implementierungen kann die unbekannte Eigenschaft zumindest teilweise auf der Basis von einem oder mehreren Maschinenlernmodellen als unbekannt bestimmt werden. Wenn beispielsweise die Maschinenlernmodelle das Bild nicht mit angemessener Sicherheit klassifizieren oder kategorisieren können, kann das Bild als unbekanntes Bild identifiziert werden. Insbesondere wenn die Modelle eine Sicherheitswahrscheinlichkeit unter einem Schwellenwert für das Bild liefern, kann das Bild als unbekanntes Bild mit einer unbekannten Eigenschaft identifiziert werden. Als anderes Beispiel kann die unbekannte Eigenschaft als unbekannt bestimmt werden, wenn ein Fehlen von ausreichenden Metadaten oder anderen beschreibenden Daten besteht, die der Eigenschaft zugeordnet sind.
Bei (206) kann das Verfahren (200) das Erhalten von mehreren zweiten Bildern mit bekannten Eigenschaften umfassen. Ähnlich zum ersten Bild können die bekannten Eigenschaften der zweiten Bilder zumindest teilweise auf der Basis der Maschinenlernmodelle und/oder Metadaten, die den Bildern zugeordnet sind, bestimmt werden. In einigen Implementierungen können die zweiten Bilder zumindest teilweise auf der Basis des ersten Bildes und/oder der unbekannten Eigenschaft des ersten Bildes (der ersten Bilder) ausgewählt werden.
Bei (208) kann das Verfahren (200) das Erzeugen einer CAPTCHA-Aufgabe zumindest teilweise auf der Basis der ersten und zweiten Bilder umfassen. Die CAPTCHA-Aufgabe kann beispielsweise das erste Bild und/oder zumindest eine Teilmenge der mehreren zweiten Bilder zusammen mit Anweisungen umfassen, die einen Benutzer auffordern, mit dem Bild (den Bildern) zusammenzuwirken. Wie vorstehend angegeben, kann die Aufgabe in einigen Implementierungen zumindest teilweise auf der Basis der unbekannten Eigenschaft des ersten Bildes ausgewählt und/oder erzeugt werden.
Bei (210) kann das Verfahren (200) das Übertragen der CAPTCHA-Aufgabe zu mehreren Benutzervorrichtungen umfassen. Die CAPTCHA-Aufgabe kann beispielsweise zu mehreren Benutzervorrichtungen übertragen werden, die danach streben, Zugang zu einem oder mehreren Online-Diensten oder Online-Ressourcen zu erlangen, die einem oder mehreren Ressourcenanbietern zugeordnet sind.
Bei (212) kann das Verfahren (200) das Empfangen von einer oder mehreren Antworten auf die CAPTCHA-Aufgabe von zumindest einer Teilmenge der mehreren Benutzervorrichtungen umfassen. Die Antworten können Daten umfassen, die Benutzerzusammenwirkungen mit den CAPTCHA-Aufgaben angeben. In einigen Implementierungen können die Antworten verwendet werden, um zu bestimmen, ob den Benutzern zum Online-Dienst oder zur Online-Ressource Zugang gewährt werden soll.
Bei (214) kann das Verfahren (200) das Bestimmen der unbekannten Eigenschaft des ersten Bildes zumindest teilweise auf der Basis der Benutzerantworten umfassen. Die Auswahl und/oder Zusammenwirkung eines Benutzers mit den Bildern, die in der CAPTCHA-Aufgabe bereitgestellt werden, können beispielsweise als Beweis von einer oder mehreren Eigenschaften verwendet werden, die dem ersten Bild zugeordnet sind. Die Benutzerantworten können beispielsweise angesichts der Anweisungen analysiert werden, die in der CAPTCHA-Aufgabe geliefert werden, um die eine oder die mehreren Eigenschaften des ersten Bildes zu bestimmen. Wenn genügend Benutzerantworten eine Eigenschaft des ersten Bildes angeben, kann in dieser Weise diese Eigenschaft abgeleitet werden. Wenn beispielsweise genügend Benutzer das erste Bild in Reaktion auf eine CAPTCHA-Aufgabe auswählen, die die Benutzer anweist, jedes Bild auszuwählen, das einen Tiger darstellt, dann kann abgeleitet werden, dass das erste Bild einen Tiger darstellt.
Bei (216) kann das Verfahren (200) das Trainieren von einem oder mehreren Maschinenlernmodellen zumindest teilweise auf der Basis der bestimmten Eigenschaft des ersten Bildes umfassen. Das Trainieren von einem oder mehreren Maschinenlernmodellen kann beispielsweise das Liefern von Daten, die das Bild und die bestimmte Eigenschaft angeben, zu einem Satz von Trainingsdaten umfassen, die verwendet werden, um die Modelle zu trainieren, so dass die Daten, die das Bild und die bestimmte Eigenschaft angeben, zum Trainingsdatensatz hinzugefügt werden. In dieser Weise können die Daten, die das erste Bild angeben, in das (die) Modell(e) eingegeben werden und die Ausgabe des Modells (der Modelle) kann mit der bestimmten Eigenschaft verglichen werden. Das Modell (die Modelle) kann (können) dann zumindest teilweise auf der Basis des Vergleichs eingestellt oder anderweitig verfeinert werden.
In einigen Implementierungen kann das erste Bild dann in anschließenden Verifizierungsaufgaben verwendet werden. Das erste Bild kann beispielsweise als bekanntes Bild in anschließenden CAPTCHA-Aufgaben verwendet werden. In dieser Weise kann das erste Bild zu einem Satz von bekannten Bildern hinzugefügt werden, die in CAPTCHA-Aufgaben verwendet werden können, und von einem Satz von unbekannten Bildern entfernt werden.
6 stellt einen Ablaufplan eines Beispielverfahrens (300) zum Verifizieren einer Benutzervorrichtung gemäß einer Beispielausführungsform der vorliegenden Offenbarung dar. Das Verfahren (300) kann durch eine oder mehrere Rechenvorrichtungen wie z. B. eine oder mehrere der Rechenvorrichtungen, die in 7 dargestellt sind, implementiert werden. Außerdem stellt 6 Schritte dar, die für Erläuterungs- und Erörterungszwecke in einer speziellen Reihenfolge durchgeführt werden. Der Fachmann auf dem Gebiet versteht unter Verwendung der hier vorgesehenen Offenbarungen, dass die Schritte von irgendeinem der hier erörterten Verfahren in verschiedenen Weisen angepasst, umgeordnet, erweitert, weggelassen oder modifiziert werden können, ohne vom Schutzbereich der vorliegenden Offenbarung abzuweichen.
Bei (302) kann eine Benutzervorrichtung eine Ressource oder Zugang zu einem Online-Dienst von einem Ressourcenanbieter anfordern. Bei (304) kann der Ressourcenanbieter die Anforderung von der Benutzervorrichtung empfangen.
Bei (306) kann der Ressourcenanbieter die Benutzervorrichtung anweisen, einen Verifizierungsprozess direkt mit einem computerisierten CAPTCHA-System zu betreiben. Bei (308) kann die Benutzervorrichtung die Anweisungen vom Ressourcenanbieter empfangen, um direkt das computerisierte CAPTCHA-System in Anspruch zu nehmen. Als Beispiel kann der Ressourcenanbieter die Benutzervorrichtung bei (306) durch Umleiten eines Browsers der Benutzervorrichtung anweisen, so dass sie direkt mit dem computerisierten CAPTCHA-System verbindet und den Verifizierungsprozess beginnt.
Als anderes Beispiel kann bei (306) der Ressourcenanbieter die Benutzervorrichtung mit einem Client-Seiten-Skript versehen, das, wenn es durch die Benutzervorrichtung ausgeführt wird, bewirkt, dass die Benutzervorrichtung direkt das computerisierte CAPTCHA-System in Anspruch nimmt. Das Client-Seiten-Skript kann beispielsweise in einem Inline-Rahmen, einem eingebetteten Objekt, einem Portlet oder einer anderen eingebetteten Anwendung oder einem Widget enthalten sein. In einigen Implementierungen kann das Client-Seiten-Skript in einem Plug-in enthalten sein, das vom computerisierten CAPTCHA-System zum Ressourcenanbieter geliefert wird. Ferner kann der Ressourcenanbieter in einigen Implementierungen bei (306) die Benutzervorrichtung mit einem öffentlichen Schlüssel versehen, der den Ressourcenanbieter für das computerisierte CAPTCHA-System identifiziert.
Bei (310) kann die Benutzervorrichtung eine Anforderung direkt zum computerisierten CAPTCHA-System übertragen, um einen Verifizierungsprozess zu betreiben. Bei (312) kann das computerisierte CAPTCHA-System die Anforderung von der Benutzervorrichtung empfangen.
Als Beispiel kann die bei (310) übertragene Anforderung gemäß einer Anwendungsprogrammierschnittstelle formatiert sein, die dem computerisierten CAPTCHA-System zugeordnet ist. Die Anforderung kann beispielsweise als Ergebnis der Ausführung eines Client-Seiten-Skript übertragen werden, das bei (306) zur Benutzervorrichtung geliefert wird. Ferner kann die Anforderung, die bei (310) übertragen wird, in einigen Implementierungen einen öffentlichen Schlüssel umfassen, der dem Ressourcenanbieter zugeordnet ist.
Bei (314) kann das computerisierte CAPTCHA-System ein oder mehrere erste Bilder mit einer oder mehreren unbekannten Bildeigenschaften erhalten. Ein erstes Bild kann beispielsweise ein Bild sein, das nicht innerhalb einer angemessenen Sicherheit klassifiziert oder kategorisiert werden kann oder wurde. Als anderes Beispiel kann ein erstes Bild ein Bild sein, bei dem der Ort eines Elements, eines Objekts, einer Pflanze, eines Tiers, eines Menschen usw. nicht innerhalb einer angemessenen Sicherheit bestimmt werden kann. Wie vorstehend angegeben, kann das unbekannte Bild auf der Basis zumindest teilweise von Metadaten oder anderen beschreibenden Informationen, die dem Bild und/oder einem oder mehreren Maschinenlernmodellen zugeordnet sind, als unbekannt bestimmt werden.
Bei (316) kann das computerisierte CAPTCHA-System eine CAPTCHA-Aufgabe zumindest teilweise auf der Basis des ersten Bildes und/oder der unbekannten Eigenschaft des ersten Bildes (der ersten Bilder) auswählen und die ausgewählte Aufgabe zur Benutzervorrichtung liefern. Das computerisierte CAPTCHA-System kann beispielsweise eine Datenbank von CAPTCHA-Aufgaben mit variierenden Formaten, Schwierigkeiten, Formen, Größen, einem variierenden Dateiformat, einer variierenden Programmiersprache oder anderen variablen Parametern umfassen. In einigen Implementierungen kann die CAPTCHA-Aufgabe beispielsweise auf einem Bild basieren. In einigen Implementierungen kann das Auswählen der CAPTCHA-Aufgabe das Erhalten von einem oder mehreren zweiten Bildern mit bekannten Bildeigenschaften umfassen. Wie vorstehend angegeben, können die zweiten Bilder zumindest teilweise auf der Basis der Anweisungen, die der CAPTCHA-Aufgabe zugeordnet sind, und/oder des ersten Bildes (der ersten Bilder) ausgewählt werden.
Als Beispiel kann in dem Fall, in dem die Inhalte, die im ersten Bild (in den ersten Bildern) dargestellt sind, das (die) bei (314) erhalten wird (werden), unbekannt sind, die CAPTCHA-Aufgabe ausgewählt werden, um eine Klassifikation des Bildes zu bestimmen. Die CAPTCHA-Aufgabe kann beispielsweise mehrere bekannte Bilder umfassen und die Anweisungen können den Benutzer auffordern, jedes Bild auszuwählen, das sich eine spezielle gemeinsame Eigenschaft teilt. Wie vorstehend angegeben, kann die CAPTCHA-Aufgabe derart zugeschnitten sein, dass die Benutzerantwort auf die CAPTCHA-Aufgabe als Beweis verwendet werden kann, um eine Eigenschaft des ersten Bildes (der ersten Bilder) zu bestimmen und/oder einzuengen. Als anderes Beispiel kann, wenn die unbekannte Eigenschaft des ersten Bildes einem unbekannten Ort eines Objekts im Bild zugeordnet ist, die CAPTCHA-Aufgabe einen Benutzer auffordern, mit dem Teil (den Teilen) des Bildes zusammenzuwirken (z. B. diesen auszuwählen, hervorzuheben, zu kommentieren oder andere Zusammenwirkung), der (die) das Objekt darstellt (darstellen).
In einigen Implementierungen kann bei (316) ein Aufgabenformat, ein Aufgabentyp oder andere Attribute der Aufgabe auf der Basis von verschiedenen anderen geeigneten Faktoren ausgewählt werden. In dem Fall, in dem die Benutzervorrichtung beispielsweise eine mobile Vorrichtung wie beispielsweise ein Smartphone oder Tablet ist, kann dann bei (316) das computerisierte CAPTCHA-System eine CAPTCHA-Aufgabe auswählen, die für eine mobile Vorrichtung ausgelegt ist.
Bei (318) kann die Benutzervorrichtung die CAPTCHA-Aufgabe vom computerisierten CAPTCHA-System empfangen und sie dem Benutzer beispielsweise auf einer Anzeige der Benutzervorrichtung präsentieren. Bei (320) kann die Benutzervorrichtung eine oder mehrere Antworten vom Benutzer empfangen und die Antwort(en) zum computerisierten CAPTCHA-System übertragen. Bei (322) kann das computerisierte CAPTCHA-System die Antwort von der Benutzervorrichtung empfangen.
Bei (324) kann das computerisierte CAPTCHA-System ein Verifizierungszeichen erzeugen und es zur Benutzervorrichtung liefern, wenn eine oder mehrere Verifizierungsbedingungen erfüllt sind. Bei (326) kann die Benutzervorrichtung das Verifizierungszeichen vom computerisierten CAPTCHA-System empfangen.
Als Beispiel kann das computerisierte CAPTCHA-System das Verifizierungszeichen erzeugen und es zur Benutzervorrichtung bei (324) liefern, wenn die bei (322) empfangene Antwort die bei (316) gelieferte Aufgabe korrekt löst oder anderweitig erfüllt. Das Verifizierungszeichen kann ein Authentifizierungszertifikat oder eine andere Sicherheits- oder Authentifizierungsvorrichtung oder ein anderer Sicherheits- oder Authentifizierungsmechanismus sein. In einigen Implementierungen kann das Verifizierungszeichen beispielsweise ein Hash eines Benutzervorrichtungsidentifizierers oder andere Informationen umfassen oder kann den öffentlichen Schlüssel des Ressourcenanbieters beinhalten.
Es ist zu erkennen, dass in einigen Implementierungen die Schritte (310)-(326) als Verifizierungsprozess betrachtet werden können. Ferner können die Schritte (310)-(326) in einigen Implementierungen über einen Inline-Rahmen, ein eingebettetes Objekt, ein Portlet oder ein anderes eingebettetes Widget oder eine Anwendung stattfinden, die in der Website des Ressourcenanbieters enthalten ist.
Bei (328) kann die Benutzervorrichtung das Verifizierungszeichen zum Ressourcenanbieter liefern. Bei (330) kann der Ressourcenanbieter das Verifizierungszeichen von der Benutzervorrichtung empfangen.
Bei (332) kann der Ressourcenanbieter das Verifizierungszeichen zum computerisierten CAPTCHA-System übertragen. In einigen Implementierungen kann der Ressourcenanbieter bei (332) auch seinen privaten Schlüssel zum computerisierten CAPTCHA-System zusammen mit dem Verifizierungszeichen übertragen.
Bei (334) kann das computerisierte CAPTCHA-System eine Validierung des Verifizierungszeichens zum Ressourcenanbieter liefern, wenn das Verifizierungszeichen gültig ist. Wenn das Verifizierungszeichen ungültig ist oder verfälscht wurde, dann kann das computerisierte CAPTCHA-System den Ressourcenanbieter informieren, dass das Verifizierungszeichen ungültig ist.
Bei (336) kann der Ressourcenanbieter die Validierung des Verifizierungszeichens vom computerisierten CAPTCHA-System empfangen. In Reaktion auf den Empfang der Validierung bei (336) kann der Ressourcenanbieter bei (338) die Benutzervorrichtung mit Zugang zur Ressource versehen. Bei (340) kann die Benutzervorrichtung auf die Ressource zugreifen.
7 stellt ein Beispielrechensystem 400 dar, das verwendet werden kann, um die Verfahren und Systeme gemäß Beispielaspekten der vorliegenden Offenbarung zu implementieren. Das System 400 kann unter Verwendung einer Client-Server-Architektur implementiert werden, die einen Server 410 umfasst, der mit einer oder mehreren Client-Vorrichtungen 430 über ein Netz 440 kommuniziert. Das System 400 kann unter Verwendung von anderen geeigneten Architekturen wie z. B. einer einzelnen Rechenvorrichtung implementiert werden.
Das System 400 umfasst einen Server 410 wie z. B. einen Webserver. Der Server 410 kann ein computerisiertes CAPTCHA-System beherbergen, das dazu konfiguriert ist, Zugang zu Online-Diensten oder Online-Ressourcen zu gewähren oder zu verweigern. Der Server 410 kann unter Verwendung einer (von) beliebigen geeigneten Rechenvorrichtung(en) implementiert werden. Der Server 410 kann einen oder mehrere Prozessoren 412 und eine oder mehrere Speichervorrichtungen 414 aufweisen. Der Server 410 kann auch eine Netzschnittstelle umfassen, die verwendet wird, um mit einer oder mehreren Client-Vorrichtungen 430 über das Netz 440 zu kommunizieren. Die Netzschnittstelle kann beliebige geeignete Komponenten zum Koppeln mit einem oder mehreren Netzen über eine Schnittstelle umfassen, einschließlich beispielsweise Sendern, Empfängern, Ports, Steuereinheiten, Antennen oder anderen geeigneten Komponenten.
Der eine oder die mehreren Prozessoren 412 können irgendeine geeignete Verarbeitungsvorrichtung wie z. B. einen Mikroprozessor, Mikrocontroller, eine integrierte Schaltung, eine Logikvorrichtung oder eine andere geeignete Verarbeitungsvorrichtung umfassen. Die eine oder die mehreren Speichervorrichtungen 414 können ein oder mehrere computerlesbare Medien umfassen, einschließlich, jedoch nicht begrenzt auf nichttransitorische computerlesbare Medien, RAM, ROM, Festplattenlaufwerke, Flash-Laufwerke oder andere Speichervorrichtungen. Die eine oder die mehreren Speichervorrichtungen 414 können Informationen speichern, die für den einen oder die mehreren Prozessoren 412 zugänglich sind, einschließlich computerlesbarer Anweisungen 416, die durch den einen oder die mehreren Prozessoren 412 ausgeführt werden können. Die Anweisungen 416 können irgendein Satz von Anweisungen sein, die, wenn sie durch den einen oder die mehreren Prozessoren 412 ausgeführt werden, bewirken, dass der eine oder die mehreren Prozessoren 412 Operationen durchführen. Die Anweisungen 416 können beispielsweise durch den einen oder die mehreren Prozessoren 412 ausgeführt werden, um beispielsweise einen Aufgabegenerator 420, einen Benutzervalidierer 422 und einen Bildklassifikator 424 zu implementieren. Der Aufgabengenerator 420 kann beispielsweise dazu konfiguriert sein, ein oder mehrere unbekannte Bilder und/oder ein oder mehrere bekannte Bilder zu erhalten und eine CAPTCHA-Aufgabe zumindest teilweise auf der Basis der Bilder zu erzeugen. Der Benutzervalidierer 422 kann dazu konfiguriert sein, Benutzerantworten auf die CAPTCHA-Aufgabe zu empfangen und zumindest teilweise auf der Basis der Antworten zu bestimmen, ob den Benutzern Zugang gewährt werden soll. Der Bildklassifikator 424 kann dazu konfiguriert sein, eine oder mehrere Eigenschaften der unbekannten Bilder zumindest teilweise auf der Basis der Benutzerantworten zu bestimmen und die Bilder und die bestimmten Eigenschaften zu einem Maschinenlernnetz 450 zu liefern.
Wie in 7 gezeigt, können die eine oder die mehreren Speichervorrichtungen 414 auch Daten 418 speichern, die durch den einen oder die mehreren Prozessoren 412 abgerufen, beeinflusst, erzeugt oder gespeichert werden können. Die Daten 418 können beispielsweise Bilddaten, Aufgabendaten und andere Daten umfassen. Die Daten 418 können in einer oder mehreren Datenbanken gespeichert werden. Die eine oder die mehreren Datenbanken können mit dem Server 410 durch ein LAN oder WAN mit hoher Bandbreite verbunden sein oder können auch mit dem Server 410 durch das Netz 440 verbunden sein. Die eine oder die mehreren Datenbanken können aufgeteilt sein, so dass sie an mehreren Orten angeordnet sind.
Der Server 410 kann Daten mit einer oder mehreren Client-Vorrichtungen 430 über das Netz 440 austauschen. Obwohl einige Client-Vorrichtungen 430 in 7 dargestellt sind, kann irgendeine Anzahl von Client-Vorrichtungen 430 mit dem Server 410 über das Netz 440 verbunden sein. Jede der Client-Vorrichtungen 430 kann irgendein geeigneter Typ von Rechenvorrichtung, wie z. B. ein Universalcomputer, ein Spezialcomputer, ein Laptop, ein Desktop, eine mobile Vorrichtung, ein Navigationssystem, ein Smartphone, ein Tablet, eine tragbare Rechenvorrichtung, eine Anzeige mit einem oder mehreren Prozessoren oder eine andere geeignete Rechenvorrichtung, sein.
Ähnlich zum Server 410 kann eine Client-Vorrichtung 430 einen oder mehrere Prozessoren 432 und einen Speicher 434 umfassen. Der eine oder die mehreren Prozessoren 432 können eine oder mehrere Zentraleinheiten (CPUs), Graphikverarbeitungseinheiten (GPUs), die zum effizienten Wiedergeben von Bildern oder Durchführen von anderen spezialisierten Berechnungen zweckgebunden sind, und/oder andere Verarbeitungsvorrichtungen umfassen. Der Speicher 434 kann ein oder mehrere computerlesbare Medien umfassen und kann Informationen speichern, die für den einen oder die mehreren Prozessoren 432 zugänglich sind, einschließlich Anweisungen 436, die durch den einen oder die mehreren Prozessoren 432 ausgeführt werden können, und Daten 438. Der Speicher 434 kann beispielsweise Anweisungen 436 zum Implementieren eines Benutzerschnittstellenmoduls zum Anzeigen von CAPTCHA-Aufgaben gemäß Beispielaspekten der vorliegenden Offenbarung speichern.
Die Client-Vorrichtung 430 von 7 kann verschiedene Eingabe/Ausgabe-Vorrichtungen zum Liefern und Empfangen von Informationen von einem Benutzer wie z. B. einen Berührungsbildschirm, ein Berührungsfeld, Dateneingabetasten, Lautsprecher und/oder ein Mikrophon, das für Spracherkennung geeignet ist, umfassen. Die Client-Vorrichtung 430 kann beispielsweise eine Anzeigevorrichtung 435 zum Darstellen einer Benutzerschnittstelle aufweisen, die semantische Ortsnamen gemäß Beispielaspekten der vorliegenden Offenbarung anzeigt.
Die Client-Vorrichtung 430 kann auch eine Netzschnittstelle umfassen, die verwendet wird, um mit einer oder mehreren entfernten Rechenvorrichtungen (z. B. Server 410) über das Netz 440 zu kommunizieren. Die Netzschnittstelle kann beliebige geeignete Komponenten zum Koppeln mit einem oder mehreren Netzen über eine Schnittstelle umfassen, einschließlich beispielsweise Sendern, Empfängern, Ports, Steuereinheiten, Antennen oder anderen geeigneten Komponenten.
Das Netz 440 kann irgendein Typ von Kommunikationsnetz sein, wie z. B. ein lokales Netz (z. B. Intranet), ein weiträumiges Netz (z. B. Internet), ein zellulares Netz oder irgendeine Kombination davon. Das Netz 440 kann auch eine direkte Verbindung zwischen einer Client-Vorrichtung 430 und dem Server 410 umfassen. im Allgemeinen kann die Kommunikation zwischen dem Server 410 und einer Client-Vorrichtung 430 über die Netzschnittstelle unter Verwendung irgendeines Typs von verdrahteter und/oder drahtloser Verbindung, unter Verwendung einer Vielfalt von Kommunikationsprotokollen (z. B. TCP/IP, HTTP, SMTP, FTP), Codierungen oder Formaten (z. B. HTML, XML) und/oder Schutzschemen (z. B. VPN, sicheres HTTP, SSL) übertragen werden.
Der Server 410 kann auch Daten mit einem oder mehreren Maschinenlernnetzen wie z. B. dem Maschinenlernnetz 450 austauschen. Ähnlich zum Server 410 und zur Client-Vorrichtung 430 kann das Maschinenlernnetz einen oder mehrere Prozessoren 452 und einen Speicher 454 umfassen. Der eine oder die mehreren Prozessoren 452 können eine oder mehrere Zentraleinheiten (CPUs) und/oder andere Verarbeitungsvorrichtungen umfassen. Der Speicher 454 kann ein oder mehrere computerlesbare Medien umfassen und kann Informationen speichern, die für den einen oder die mehreren Prozessoren 452 zugänglich sind, einschließlich Anweisungen 456, die durch den einen oder die mehreren Prozessoren 452 ausgeführt werden können, und Daten 458. Der Speicher 454 kann beispielsweise Anweisungen 456 zum Implementieren eines Modelltrainers speichern, der dazu konfiguriert ist, ein oder mehrere Maschinenlernmodelle zu trainieren. Die Daten 458 können ein oder mehrere Modelle und Trainingsdaten umfassen. Das Maschinenlernnetz 450 kann auch eine Netzschnittstelle umfassen, die verwendet wird, um mit einer oder mehreren entfernten Rechenvorrichtungen (z. B. Server 410) über das Netz 440 zu kommunizieren.
Die hier erörterte Technologie nimmt auf Server, Datenbanken, Software-Anwendungen und andere Systeme auf Computerbasis sowie Handlungen, die durchgeführt werden und Informationen, die zu und von solchen Systemen gesendet werden, Bezug. Ein Fachmann auf dem Gebiet erkennt, dass die innewohnende Flexibilität von Systemen auf Computerbasis eine große Vielfalt von möglichen Konfigurationen, Kombinationen und Unterteilungen von Tätigkeiten und Funktionalität zwischen und unter Komponenten ermöglicht. Die hier erörterten Serverprozesse können beispielsweise unter Verwendung eines einzelnen Servers oder von mehreren Servern, die in Kombination arbeiten, implementiert werden. Datenbanken und Anwendungen können an einem einzelnen System implementiert werden oder über mehrere Systeme verteilt sein. Verteilte Komponenten können sequentiell oder parallel arbeiten.
Obwohl der vorliegende Gegenstand im Einzelnen mit Bezug auf spezielle Beispielausführungsformen davon beschrieben wurde, ist zu erkennen, dass der Fachmann auf dem Gebiet beim Erreichen eines Verständnisses des Vorangehenden leicht Veränderungen an, Variationen von und Äquivalente zu solchen Ausführungsformen erzeugen kann. Folglich dient der Schutzbereich der vorliegenden Offenbarung vielmehr als Beispiel als zur Begrenzung und die vorliegende Offenbarung schließt den Einschluss von solchen Modifikationen, Variationen und/oder Zusätzen zum vorliegenden Gegenstand nicht aus, wie für einen Fachmann auf dem Gebiet leicht ersichtlich wäre.

Claims

Computerimplementiertes Verfahren zum Bestimmen von Bildeigenschaften, wobei das Verfahren umfasst: Erhalten von einem oder mehreren ersten Bildern mit einer unbekannten Eigenschaft durch die eine oder die mehreren Rechenvorrichtungen; Liefern des einen oder der mehreren ersten Bilder zu mehreren Benutzervorrichtungen in einer Verifizierungsaufgabe durch die eine oder die mehreren Rechenvorrichtungen, wobei die Verifizierungsaufgabe eine oder mehrere Anweisungen umfasst, die einem Benutzer jeder Benutzervorrichtung präsentiert werden sollen, wobei die Anweisungen zumindest teilweise auf der Basis des einen oder der mehreren ersten Bilder bestimmt werden; Empfangen einer Antwort auf die Verifizierungsaufgabe von zumindest einer Teilmenge der mehreren Benutzervorrichtungen durch die eine oder die mehreren Rechenvorrichtungen; Bestimmen der unbekannten Eigenschaft des einen oder der mehreren ersten Bilder zumindest teilweise auf der Basis der empfangenen Antworten durch die eine oder die mehreren Rechenvorrichtungen; und im Anschluss an die Bestimmung der unbekannten Eigenschaft des einen oder der mehreren ersten Bilder durch die eine oder die mehreren Rechenvorrichtungen Trainieren von einem oder mehreren Maschinenlernmodellen zumindest teilweise auf der Basis der bestimmten Eigenschaft durch die eine oder die mehreren Rechenvorrichtungen.
Computerimplementiertes Verfahren nach Anspruch 1, das ferner das Empfangen einer Anforderung, einen Verifizierungsprozess zu betreiben, von einer Benutzerrechenvorrichtung durch eine oder mehrere Rechenvorrichtungen umfasst, und wobei das eine oder die mehreren ersten Bilder in Reaktion auf das Empfangen der Anforderung erhalten werden.
Computerimplementiertes Verfahren nach einem vorangehenden Anspruch, das ferner umfasst: Erhalten von mehreren zweiten Bildern mit bekannten Eigenschaften durch die eine oder die mehreren Rechenvorrichtungen; und Liefern zumindest einer Teilmenge der mehreren zweiten Bilder zusammen mit dem einen oder den mehreren ersten Bildern in der Verifizierungsaufgabe durch die eine oder die mehreren Rechenvorrichtungen.
Computerimplementiertes Verfahren nach einem vorangehenden Anspruch, wobei die unbekannte Eigenschaft des einen oder der mehreren ersten Bilder zumindest teilweise auf der Basis des einen oder der mehreren Maschinenlernmodelle als unbekannt bestimmt wird, wobei das eine oder die mehreren Maschinenlernmodelle dazu konfiguriert sind, ein oder mehrere Bilder als Eingabe zu empfangen und ein oder mehrere Eigenschaften des einen oder der mehreren Bilder als Ausgabe zu bestimmen.
Computerimplementiertes Verfahren nach Anspruch 4, wie in Abhängigkeit von Anspruch 3, wobei die bekannten Eigenschaften der mehreren zweiten Bilder zumindest teilweise auf der Basis des einen oder der mehreren Maschinenlernmodelle bestimmt werden.
Computerimplementiertes Verfahren nach einem der Ansprüche 4 bis 5, wobei die eine oder die mehreren Eigenschaften des einen oder der mehreren Bilder sich auf ein oder mehrere Elemente oder Objekte beziehen, die in dem einen oder den mehreren Bildern dargestellt sind.
Computerimplementiertes Verfahren nach einem der Ansprüche 4 bis 6, wobei das eine oder die mehreren Maschinenlernmodelle ferner dazu konfiguriert sind, eine Sicherheitswahrscheinlichkeit zu liefern, die einen Grad an Sicherheit angibt, dass die Ausgabe des Modells korrekt ist; und wahlweise wobei die unbekannte Eigenschaft des einen oder der mehreren ersten Bilder als unbekannt bestimmt wird, wenn die Sicherheitswahrscheinlichkeit, die dem einen oder den mehreren ersten Bildern zugeordnet ist, unter einem Sicherheitsschwellenwert liegt.
Computerimplementiertes Verfahren nach einem der Ansprüche 3 bis 7, wobei die eine oder die mehreren Anweisungen, die der Verifizierungsaufgabe zugeordnet sind, den Benutzer auffordern, mit einem oder mehreren der ersten oder zweiten Bilder zusammenzuwirken, die ein Kriterium erfüllen.
Computerimplementiertes Verfahren nach einem vorangehenden Anspruch, wobei die eine oder die mehreren Anweisungen, die der Verifizierungsaufgabe zugeordnet sind, den Benutzer auffordern, mit zumindest einem Teil des einen oder der mehreren ersten Bilder zusammenzuwirken, der ein Kriterium erfüllt; und wahlweise wobei die eine oder die mehreren Anweisungen, die der Verifizierungsaufgabe zugeordnet sind, den Benutzer auffordern, einen Teil von mindestens einem des einen oder der mehreren ersten Bilder auszuwählen.
Computerimplementiertes Verfahren nach einem vorangehenden Anspruch, wobei die Verifizierungsaufgabe zumindest teilweise auf der Basis der unbekannten Eigenschaft des einen oder der mehreren ersten Bilder bestimmt wird.
Computerimplementiertes Verfahren nach einem der Ansprüche 3 bis 10, das ferner das Liefern eines dritten Bildes in der Verifizierungsaufgabe durch die eine oder die mehreren Rechenvorrichtungen umfasst, wobei das dritte Bild ein Element oder Objekt darstellt, und wobei die eine oder die mehreren Anweisungen, die der Verifizierungsaufgabe zugeordnet sind, den Benutzer auffordern, eines oder mehrere des einen oder der mehreren ersten Bilder oder zumindest einer Teilmenge von zweiten Bildern auszuwählen, die ein Element oder Objekt darstellen, das von derselben Klassifikation wie das Element oder Objekt ist, das im dritten Bild dargestellt ist.
Computerimplementiertes Verfahren nach einem vorangehenden Anspruch, das ferner das Bestimmen, ob jede der mehreren Benutzervorrichtungen verifiziert werden soll, zumindest teilweise auf der Basis der Antworten auf die Verifizierungsaufgabe durch die eine oder die mehreren Rechenvorrichtungen umfasst.
Computerimplementiertes Verfahren nach einem vorangehenden Anspruch, wobei das Bestimmen der unbekannten Eigenschaft des einen oder der mehreren ersten Bilder durch die eine oder die mehreren Rechenvorrichtungen das Ableiten der unbekannten Eigenschaft des einen oder der mehreren ersten Bilder durch die eine oder die mehreren Rechenvorrichtungen umfasst, wenn eine Schwellenanzahl von Benutzerantworten eine Eigenschaft des einen oder der mehreren ersten Bilder angibt.
Rechensystem, das umfasst: einen oder mehrere Prozessoren; und eine oder mehrere Speichervorrichtungen, wobei die eine oder die mehreren Speichervorrichtungen computerlesbare Anweisungen speichern, die, wenn sie durch den einen oder die mehreren Prozessoren ausgeführt werden, bewirken, dass der eine oder die mehreren Prozessoren ein Verfahren nach einem vorangehenden Anspruch ausführen.
Ein oder mehrere konkrete, nichttransitorische computerlesbare Medien, die computerlesbare Anweisungen speichern, die, wenn sie durch einen oder mehrere Prozessoren ausgeführt werden, bewirken, dass der eine oder die mehreren Prozessoren ein Verfahren nach einem der Ansprüche 1 bis 13 ausführen.