Feb, 2020

使用公平分数归一化进行人脸识别中人口偏见的后比较缓解

PDF
TL;DR该研究提出了一种新颖的无监督公平得分归一化方法，用于减少面部识别中的偏见，并导致显着的总体性能提升。实验结果表明，这种方法可以降低性别等群体的偏见，并且相比现有方法更加一致地减少了这种偏见，同时也可以增强总体性能。
face recognitionbiasunsupervised fair score normalizationdemographic biasesperformance
发现论文，激发创造
  • 混合公平适配器：通过混合公平适配器实现面部识别的终极公平

    本文介绍了 MixFairFace 框架，旨在提高人脸识别模型的公正性，并通过新的评估协议来公平地评估不同方法的公平表现。此外，我们提出了 MixFair Adapter 来确定和减少训练样本的身份偏差，解决了面部表征中的身份偏差问题，从而在所有基准数据集中实现了最先进的公平性能。

    Nov, 2022

  • 生物识别中测量偏差的公平性指数

    本文提出了多个基于 biometric 系统评分的统计特征的评估指标和权重策略，通过评估数据得出生物识别系统的公平性。

    Jun, 2023

  • 一致性实例假阳性提高人脸识别公平性

    本文提出通过增加实例级误认率（FPR）的一致性来减轻面部识别偏见的假阳性率惩罚损失，相比现有方法，我们的方法不需要使用人口统计注释。

    Jun, 2021

  • 迈向公正的面部验证：对人口统计偏见的深入分析

    通过深入分析，本文重点讨论了涉及种族、年龄和性别等因素的交叉偏见问题，提出了在当前文献中较少探索的种族、年龄和性别组合方面的性能差异。此外，本文在定量分析中引入了五个补充指标，包括不公平影响和不公平待遇指标，以克服当前主流方法中常被忽视的重要局限。研究结果表明，人脸识别系统存在普遍偏见，不仅限于种族，不同的人口统计因素导致显著不同的结果。通过揭示这些偏见及其影响，本文旨在促进进一步研究，以开发更公正、更公平的人脸识别和验证系统。

    Jul, 2023

  • 人脸识别中减少人口统计偏见的合成数据

    通过使用合成数据来缓解影响面部识别技术的人口偏见的可能性进行了研究。

    Feb, 2024

  • 人脸图像的包容性规范化为护照格式

    本文提出了一种基于风格的人脸规范化模型（StyleFNM），通过控制预训练的生成对抗网络生成类似护照照片的平衡数据集，以去除大多数内人变化，如姿势变化、恶劣光照、低分辨率、模糊、面部表情和太阳镜等附件，从而产生更真实的输出并显著提高人脸识别系统的准确性和公平性。

    Dec, 2023

  • 通过群体自适应分类器缓解人脸识别偏差

    旨在学习公平的面部表征，使用自适应卷积核和注意机制对不同人群的面部特征进行分类，提出了自适应模块来激活区分不同人口属性的脸部区域并减轻识别偏差，提出了新的去偏差损失函数，大量实验证明该方法能够有效减轻面部识别偏差。

    Jun, 2020

  • FairCal：针对人脸验证的公平校准

    该研究介绍了一种名为公平校准的后训练方法，用以减少面部识别模型中的偏见，并提高模型准确性和公平性，同时避免再训练、再调整模型以及敏感数据泄露等问题。

    Jun, 2021

  • 超越人口统计偏见的人脸识别偏差全面研究

    分析了面部属性对人脸识别系统的影响，探讨了人口统计学以外的因素如饰品、发型、脸型等在身份验证性能方面的影响，提出了进一步增强人脸识别系统鲁棒性、可解释性和公平性的需求。

    Mar, 2021

  • 迈向更公平的人脸识别数据集

    利用生成的训练数据集中的人口属性平衡机制，提出了一种全面的评估方法，旨在促进更公平、透明的人脸识别和验证，并发现在减少人口属性不公平的同时，性能差距仍然存在。

    Jun, 2024