从虹膜识别性别还是从睫毛判断性别?
本文试图解释商用面部分类服务在性别分类任务中在由皮肤类型和性别所定义的交叉群体中表现不平等的原因。研究发现,皮肤类型不是造成准确率差异的主要原因。相反,实验表明跨族群差异在唇、眼和颧结构上的差异导致准确率的差别,唇和眼彩妆在女性面部中被视为强预测因素,这是性别刻板印象的一种有害传播。
Nov, 2018
本论文提出了一个对自然语言文本中的性别偏见进行分解的通用框架,通过多维度的性别偏见分类器可以控制生成模型性别偏差的问题,检测任意文本中的性别偏见,并揭示与性别相关的冒犯性语言。
May, 2020
针对自动化性别分类系统在不同种族和性别群体中存在的差异性,本文分析了深度学习算法中的架构差异和训练集不平衡等潜在差异性来源,并在两个大规模的公开数据集上进行了实验。实验结果表明,不同算法的分类表现存在一致性,而且黑种女性和黑种族总体的准确率最低,中东男性和拉丁女性的准确率大多数情况下更高。同时提出骨骼结构受基因和环境因素影响的面部形态差异可能是黑种女性表现不佳的原因。
Sep, 2020
通过实验发现,男女发型有重要差异,尤其是男性胡须会造成不同男性面孔之间的平均外观差异更大,而当基于发型来遮挡面部的数据在性别上平衡后,初始的性别差距在识别准确性上大部分消失,这个结果对未来研究中包含性别差异具有启示意义。
Jun, 2022
本文提出了一种新的性别分类策略,它采用人们识别性别的行为方式,结合分离的面部特征和模糊脸全局特征,训练深度卷积神经网络,并采用 AdaBoost 得分融合推断最终性别类别,以在广义和未受限数据集上实现更好或与现有技术水平相当的精度,同时推出了一个新的面部数据集,强化了遮挡面和光照变化的挑战,对性别分类研究是一项非常必要的资源。
Jun, 2017
本研究通过深度卷积神经网络方法和基于几何和外观特征的方法对耳部图像进行建模,以进行性别和年龄分类。我们利用了几何特征和外观方法的混合模型,其中一些知名的卷积神经网络模型包括 AlexNet、VGG-16、GoogLeNet 和 SqueezeNet。实验结果表明,采用外观的方法比基于几何的方法更有效,并且我们在性别分类中达到了 94%的精度,而在年龄分类中只达到了 52%的精度。
Jun, 2018
使用机器学习方法从照片中预测一个人的性取向,得到了一些验证性的结果。这些方法对于化妆、眼镜、面部毛发和头部姿势等特征不敏感,但它们对保护同性恋者的隐私和安全等方面可能带来严重的影响。
Feb, 2019
本篇论文对男女面部识别精度差异进行了深入分析,发现女性识别精度较低的原因是女性的冒名者分布向更高的相似性分数倾斜和女性真实分布向较低的相似性分数倾斜,这种现象的普遍性跨越 African-American、Caucasian 和 Asian 面孔的数据集,即使在将照片子集分别分为中立表情和垂直角度为零时,精度差异也会持续存在。
Jan, 2020
本文提出了一种使用编码器 - 解码器网络开发的人脸图像合成方法,以测量商业计算机视觉分类器的反事实公平性,并报告了在线搜索服务中与职业相关的关键字中出现的偏向性,用以解释模型偏差的来源。
May, 2020