Het FAME-project heeft geresulteerd in de herkenning van 81.144 gezichten van 2.578 unieke publieke personen in 4 foto- en videocollecties (= 42,4% van personen uit referentieset):

• 63.397 gezichten van 953 wielrenners (KOERS);
• 12.225 gezichten van 616 politici;
• 3.837 gezichten van 176 politici (ADVN);
• 8.388 gezichten van 553 politici (Archief van Vlaams Parlement);
• 5.522 gezichten van 1.010 podiumkunstenaars (Kunstenpunt).

Hiermee hebben we de doorzoekbaarheid van de collecties verbeterd. Alle resultaten voor ADVN, Archief van Vlaams Parlement en KOERS zijn door hun medewerkers manueel gevalideerd als geaccepteerd. Bij Kunstenpunt is er minder gevalideerd en is er een kleine marge van 353 gezichten van podiumkunstenaars en 65 unieke podiumkunstenaars die mogelijk foutief herkend zijn. Aanvullend zijn door de medewerkers 98 gezichtsclusters van unieke personen gevonden die niet in de referentieset voorkwamen.

De persoonsnamen zijn gekoppeld aan de Wikidata-identifiers voor de personen. Waar mogelijk hebben de podiumkunstenaars ook identifiers uit de Kunstenpuntdatabank en IMDb meegekregen, de politici identificatiecodes van het Vlaams Parlement en de Belgische Senaat en de wielrenners identifiers van De Wielersite en ProCyclingStats. Ze zijn zo ondubbelzinnig geïdentificeerd.

We hebben een workflow opgezet die bestond uit:

1. creëren van referentiesets op basis van beschikbare metadata;
2. automatisch detecteren en lokaliseren van gezichten in zowel de referentie- als onderzoekssets;
3. kopiëren en apart opslaan van de gedetecteerde gezichten;
4. omzetten van de kenmerken van elk gedetecteerd gezicht naar een vector;
5. vergelijken van de vectoren van alle gezichten;
6. clusteren van alle gezichten met een gelijkaardige vector;
7. per cluster onderzoeken welke gezichten afkomstig zijn uit de referentiesets;
8. naam van persoon wiens vectorprofiel de cluster het dichtst benadert, toekennen aan alle gezichten in die cluster;
9. manueel valideren van de resultaten;
10. wegschrijven van de bekomen resultaten naar de beheersystemen.

Uit de praktijk blijkt dat deze workflow werkt. De meest tijdsintensieve onderdelen zijn de creatie van de referentiesets en de manuele validatie. We moeten bekijken hoe we die minder tijdsintensief kunnen maken. Bij verdere opschaling stelt zich de vraag in welke mate manuele validatie haalbaar blijft en of referentiesets kunnen worden gedeeld.

De resultaten tonen aan dat metadata gezichtsherkenning kunnen verbeteren. We zijn zeer gericht te werk kunnen gaan dankzij metadata. Dat we 42,4% van personen uit de referentieset hebben herkend illustreert dat we met metadata op voorhand goed hadden bepaald wie we konden herkennen. Het niet op goed geluk proberen om personen te herkennen, heeft de resultaten verbeterd.

We hebben in kaart gebracht hoe best rekening te houden met ethische kwesties. We hebben er een studiedag aan besteed, en ook tijdschriftbijdragen voor FARO en VVBAD over geschreven. FAME heeft tot nieuwe inzichten geleid, die op hun beurt nieuw onderzoek genereren. Dit heeft al geleid tot een traject rond de ethische aspecten van gezichtsherkenning dat in het GIVE-metadataproject wordt opgezet i.s.m. het Kenniscentrum Data & Maatschappij. Ook juridische kwesties hebben we uitgebreid onderzocht. Dat heeft eveneens geresulteerd in de publicatie van een tijdschriftartikel hierover in META.

We hebben de traditionele registratiepraktijk opengebroken door enerzijds met de mooie projectresultaten de koudwatervrees voor gezichtsherkenning als een (semi)geautomatiseerde bijdrage aan objectregistratie weg te nemen en door anderzijds nieuwe soortgelijke initiatieven aan te moedigen en te initiëren. We hebben aan de impact van gezichtsherkenning op de traditionele registratiepraktijk ook een studiedag gewijd.

FAME heeft gefungeerd als een proeftuin. Die wordt ondertussen voortgezet met het GIVE-metadataproject, wat de volgende stap is de creatie van nieuwe meemoo-diensten rond (semi)automatische metadatacreatie.