Le chercheur en Cybersecurity Bill Swearingen affirme avoir développé des motifs générés par ordinateur capables d’empêcher certains systèmes de surveillance de détecter automatiquement des personnes ou des véhicules.
Le projet **noRecognition** ne bloque pas l’enregistrement vidéo. Il perturbe les algorithmes de Computer Vision chargés d’identifier les éléments présents dans les images.
Swearingen indique avoir réalisé environ **31 millions de tests** en un an et utilise désormais Reinforcement Learning pour générer continuellement de nouveaux motifs.
Cibler l’algorithme plutôt que la caméra
Les systèmes modernes peuvent identifier véhicules, plaques d’immatriculation, personnes et parfois effectuer de la Facial Recognition.
La caméra continue d’enregistrer avec noRecognition.
Le motif cherche plutôt à empêcher le Detection Model de classifier correctement la cible.
Lire plus
31 millions de tests
Le projet a commencé avec un laboratoire Proof of Concept contre différents algorithmes Open Source.
Il a ensuite évolué vers un système de Reinforcement Learning.
Chaque échec permet au modèle de produire un nouveau motif et de recommencer.
Swearingen affirme avoir trouvé des motifs efficaces contre les **11 algorithmes Open Source** testés.
Les logiciels concernés comprennent ceux associés aux lecteurs Flock Safety, aux caméras Axon et à Clearview AI.
Un nouveau motif chaque minute
Le système peut désormais produire de nouveaux motifs chaque minute.
Les résultats précédents servent à améliorer mathématiquement les nouvelles générations.
Les motifs les plus performants restent privés afin d’éviter que les fabricants entraînent leurs systèmes spécifiquement à les reconnaître.
Toyota Yaris testé à DEF CON
Avec **Donut Media**, Swearingen a recouvert une **Toyota Yaris 2009** d’un motif noRecognition pendant DEF CON à Las Vegas.
Le test cherchait à vérifier si une caméra Flock détecterait automatiquement le véhicule.
Swearingen affirme que l’essai a fonctionné, même si les roues ont posé problème.
Des vêtements dédiés à la confidentialité
Une campagne de Crowdfunding doit permettre de produire des T-shirts et Hoodies utilisant les motifs.
Des revêtements pour véhicules pourraient suivre.
Les designs doivent conserver suffisamment de résolution pour fonctionner à distance tout en restant adaptés à des produits utilisables au quotidien.
Une nouvelle course entre Surveillance AI et Adversarial AI
Les tentatives de perturber Facial Recognition existent depuis longtemps.
noRecognition se distingue par Reinforcement Learning et des millions de tests automatisés destinés à trouver des motifs efficaces contre plusieurs algorithmes.
Le modèle continue à générer de nouvelles variantes à mesure que les technologies de surveillance évoluent.
