Nov, 2022

人脸检测中的鲁棒性差异

PDF
TL;DR这篇研究论文旨在通过详细的基准测试来检查商业和学术模型的人脸检测问题，特别关注这些系统对于不同身份的人的鲁棒性和公平性的问题，结果发现西方男性、年龄偏大、皮肤较暗和光照条件较差的人更容易受到错误的影响。
facial analysis systemsface detectionbiasrobustnessfairness
发现论文，激发创造
  • 商用人脸检测中的鲁棒性差异

    本文关注人脸检测系统的输出鲁棒性，使用 Amazon Rekognition、Microsoft Azure 和 Google Cloud Platform 三种系统，通过标准和最近发布的学术数据集量化分析它们的鲁棒性，发现较老、男性化、深肤色或光线较暗的人的照片更容易产生错误。

    Aug, 2021

  • 商业人脸识别模型是否和学术模型一样存在偏差？

    本文研究了基于算法的面部识别系统的偏差和损害，通过比较学术模型和商业模型的噪声鲁棒性发现，学术模型在年龄和男性化性别方面的表现存在明显的种族和性别偏见，与商业模型相比，商业模型在公平性方面的表现并不理想。

    Jan, 2022

  • 人脸识别算法对抗攻击和偏见的鲁棒性

    本文总结了挑战人脸识别算法鲁棒性的不同方式，包括物理攻击、化妆伪装、数字对抗攻击以及使用 GAN 的变形和篡改，同时也讨论了偏见对人脸识别模型性能的影响和增强鲁棒性的未来研究方向。

    Feb, 2020

  • 面部分析中的偏差解剖

    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

  • 人脸质量评估及其与人种和非人种偏见在人脸识别中的相关性

    本文分析了人脸质量评估和识别偏见之间的相关性，发现当前人脸质量评估算法也存在偏见，应注意公平和歧视问题。

    Apr, 2020

  • 面孔多样性

    利用深度学习技术和一个由 100 万个带有十个基础面部编码方案的人脸图像组成的数据集，促进对于面部多样性的研究和发展，以提高面部识别系统的公平性和准确性。

    Jan, 2019

  • 低质量图像中人脸检测综述

    这篇论文回顾了目前最先进的人脸检测器在高质量图像上的表现，并评估了它们在低质量图像上的鲁棒性，结果表明，手工设计或基于深度学习的人脸检测器在低质量图像上的性能下降，需要研究更加鲁棒的设计方案。

    Apr, 2018

  • 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

  • 公平 SA：面部识别中公平性的敏感性分析

    本文提出了一种基于 Visual Psychophysics Sensitivity Analysis 扩展的新型公平性评估框架，该框架可分析模型在不同被干扰亚组群中表现得是否公平，并通过 AUC 矩阵来紧凑可视化模型的公平性分析。作者分析了常见人脸识别模型的表现，实证发现当图像受到扰动时，某些亚组群处于不利地位，揭示了在无干扰的子群体上模型表现不明显的趋势。

    Feb, 2022

  • 深度伪造检测中公平性的提高

    本文提出了一种新的算法来训练公平的 deepfake detection model，以解决使用偏见的数据训练深度学习模型可能会导致不公平表现的问题。实验结果表明，该方法可以提高 deepfake detection 的公平性和鲁棒性。

    Jun, 2023