加入标签多样性缓解人脸分析系统中的偏见
本文提出了用于面部分析的偏差检测 / 估计和减轻算法,并对已提出的偏差检测算法进行了系统综述。其主要贡献是对现有的偏差缓解算法进行了分类和广泛的概述。我们还讨论了偏差面部分析领域中的开放挑战。
Dec, 2021
本文针对面部表情识别领域的标签偏差问题,提出了一种利用面部动作单元进行带有三元损失的 AU 校准面部表情识别(AUC-FER)框架,实验证明该方法比现有技术更有效。
Aug, 2021
本文探讨计算机视觉领域中,当进行看似不相关的任务(如活动识别或图像描述)训练时,模型学习偏见的问题,以及避免学习此类偏见的方法,并在 CelebA 数据集的属性分类任务中使用领域无关的训练技术,有效地减轻了现实世界中的性别偏见。
Nov, 2019
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
在深度学习模型使用高维输入和主观标签进行训练时,公正性依然是一个复杂且缺乏研究的领域。面部情绪识别是一个数据集往往存在种族不平衡问题的领域,可能导致模型在不同种族群体之间产生不同的结果。本研究聚焦于通过对具有多样种族分布的训练集进行子采样,以及评估这些模拟中的测试性能来分析种族偏见。我们的发现表明,较小的数据集中的伪造面孔可以在接近种族平衡的模拟中提高公正性和性能指标。值得注意的是,F1 分数平均增加了 27.2 个百分点,人口统计学平等指标平均增加了 15.7 个百分点。然而,在具有更多面部变化的较大数据集中,公正性指标通常保持不变,这表明仅仅种族平衡是无法在不同种族群体之间实现测试性能的平等的。
Aug, 2023
本研究提出了一种基于图像转换的敌对数据扩充方法,旨在通过转换感性种族特征的面部图像,实现每个主题的数据集平衡。实验结果表明,该方法可以减少原本不平衡的数据集中对(种族)少数群体的认知偏差,对 Softmax,CosFace 和 ArcFace 的识别表现产生积极影响
Apr, 2020
本研究提出了一种名为图像反事实敏感性分析的框架,利用生成对抗网络建立一个面部图像的真实生成模型,以控制性地操作特定的图像特征,从而发现并检测面部分类器中的偏见和公平性。
Jun, 2019
在这项研究中,我们提出了一种在没有先验知识的情况下通过关键词的部分出现来识别潜在偏见的框架,并进一步提出了两种去偏方法:(a) 通过指定伪标签将其传递给现有的需要先验知识的去偏方法,以及 (b) 通过文本到图像生成模型进行数据增强,使用获得的偏见关键词作为提示。实验结果表明,尽管简单,我们的框架不仅能在没有先验知识的情况下胜过现有方法,而且甚至可以与假设有先验知识的方法媲美。
Jun, 2024