Aug, 2023

平衡面部数据集：指导 StyleGAN 生成标记的合成面部图像数据集以满足代表性不足的群体需求

PDF
TL;DR使用 StyleGAN 模型生成了一个鲁棒的人脸图像数据集，通过控制生成过程并为不同的下游任务进行注释，实现了数据集在不同人群中的平衡分布。
machine learningbias mitigationsynthetic data generationdiverse datasetstylegan
发现论文，激发创造
  • 利用已有的偏置 StyleGAN2 进行零样本平衡种族数据集生成

    该论文提出利用深层学习方式进行人脸识别，通过生成对抗网络 GAN 生成虚拟多样的人脸数据集，以减小数据集的偏差对模型预测性能的影响。

    May, 2023

  • 朝着负责任的人脸数据集：对解缠的潜空间建模以从人口群体中采样人脸图像

    该研究论文探讨了一种根据样式生成对抗网络（StyleGAN）潜在空间的简单方法，用于生成平衡且可能无偏差的合成数据集，以用于训练、规范化或评估基于深度学习的人脸识别模型，并证明了可以有效地合成任何组合的人口统计学群体。

    Sep, 2023

  • 通过使用合成数据进行模型再平衡的公平生成对抗网络

    使用深度生成模型生成平衡数据，并提出的偏差缓解损失函数能够在非平衡数据集上改善公平性指标，同时保持图像质量。

    Aug, 2023

  • 如何借助 StyleGAN 提升人脸识别？

    通过自我监督学习实现数据增强，使用样本高保真度模型 Fine-tuning 编码器来提高人脸识别精度，在众多实验中经过对未标记数据集的预训练验证，得出这一自我监督策略在有限的标记数据训练数据上最为有效，对定制人脸识别任务以及面临隐私问题时可以行之有效。

    Oct, 2022

  • 缓解人脸合成方法中的偏差的抽样策略

    通过对 Flickr Faces HQ 数据集上训练的 StyleGAN2 生成模型进行分析，本文提出了两种采样策略来平衡生成的人脸图像中选择属性的表示，并揭示了针对非常年轻和非常年老年龄组以及女性面孔的随机采样图像分布中出现的偏差。通过在潜在空间上选择特定的线或球来增加来自欠代表类的生成样本数量，以减轻偏差，并在不同质量级别上呈现出受保护特征的更均匀分布。

    May, 2024

  • 关于 GAN 在人脸验证中的偏差行为

    本文介绍了深度学习系统需要大量数据进行训练的主题，提出了使用生成模型（如 GAN）生成合成数据的替代方法。然而，我们证明使用 GAN 生成的数据容易存在偏见和公平性问题，尤其是针对年龄段在 20-29 岁之间的白人脸部图像生成存在偏见。此外，我们还证明了在微调人脸验证系统时，合成人脸会对种族属性造成不公平影响。

    Aug, 2022

  • 不需重新训练深度生成模型的公平性改进

    该研究使用生成对抗网络 (GANs) 生成面孔，发现在生成图像的过程中，训练数据中的偏见被放大。为了解决这个问题，提出了一种可解释的基准方法来平衡产生的面部属性，从而产生更平衡的数据。同时，该方法具有泛化能力来处理多个属性以及细分组的样本合成，进而用于量化商业人脸属性分类器和人脸超分辨率算法中的偏见。

    Dec, 2020

  • 通过联合生成和分类缓解数据集不平衡

    本研究通过组合神经网络分类器和生成对抗网络技术提出了一种联合数据集修复策略，用于解决数据集不平衡所导致的性能下降和数据偏差问题，实验证明这种方法可以提高分类器和生成对抗网络的鲁棒性。

    Aug, 2020

  • 通过弱监督实现公平生成建模

    本文提出了一种弱监督算法来克服深度生成模型中的数据集偏差，该方法通过额外的小型未标记参考数据集作为监督信号来探测现有数据集中的偏差，并学习生成模型。实验结果表明，该方法降低了基于潜在因素的偏差达到了高达 34.6％，在同时使用基于生成对抗网络的图像生成的情况下，数据效率显著提高。

    Oct, 2019

  • 使用合成数据增广消除数据集偏差

    本文探讨使用有针对性的合成数据增强 - 结合游戏引擎模拟和 sim2real 风格转移技术 - 填补视觉任务的真实数据集中的空缺。在三种不同的计算机视觉任务中（停车位检测，车道检测和单 ocular 深度估计），实证研究一致表明，将合成数据与真实数据混合训练能够显著提高交叉数据集的泛化性能。

    Apr, 2020