FaceSkin:用于多属性分类的隐私保护面部皮肤贴片数据集
本研究构建了一个包含 108,501 张图像的人脸图像数据集,强调数据集的平衡种族构成,通过对基于此数据集训练模型和评估性能的实验,发现模型的准确性较高且与种族和性别无关。
Aug, 2019
介绍了一个新的数据集,包含跨年龄、性别、肤色和环境光条件的多样性,用于帮助研究者评估他们的计算机视觉和音频模型的准确性。此数据集可广泛应用于评估图像、音频等多个领域的应用。
Apr, 2021
本文提供了一个专门的化妆品皮肤图像数据集,并介绍了一种新颖的捕捉设备,用于在不同光照条件下捕捉每个皮肤补丁的超过 600 张图像,并使用基于图像转换的流水线方法展示了该数据集的应用可行性,同时与现有的化妆品渲染方法进行了比较。
Nov, 2023
通过提出一种生成综合面部多样性数据集的方法,本研究旨在解决现有面部图像数据集集中在年龄、性别和肤色等少数面部属性上的问题,从而提高 AI 系统的鲁棒性。这种方法不仅包括人口统计学和生物识别特征,还涵盖了妆容、发型和配饰等非永久性特征,通过引导最先进的文本到图像模型生成高质量、逼真的综合数据集,并可用于面部分析系统的评估。与现有数据集相比,我们提出的数据集在图像分类任务中同样具有或更高的挑战性,同时大小更小。
Apr, 2024
本研究提出并研究了使用一种隐私友好的合成人脸数据集,通过条件生成对抗网络生成类标记的人脸图像。在此基础上,提出了三种不同的学习策略,对这种隐私友好的合成数据集进行人脸识别的训练,并在多个人脸识别基准测试中证明了其高潜力。
Jun, 2022
计算机视觉模型在性别和肤色等属性方面存在已知的性能差异。本论文提出了一个名为 FACET(计算机视觉公平性评估)的新基准,它是一个大型、公开可用的评估集,包括 32,000 张图片,用于图像分类、目标检测和分割等常见视觉任务。我们通过对 FACET 中的每张图像进行手动标注,包括感知肤色和发型类型等与人相关的属性,手动绘制边界框,并标记诸如唱片骑师或吉他手等精细的与人相关的类别。我们利用 FACET 对最先进的视觉模型进行基准测试,并展示潜在的性能差异和挑战。我们的研究结果显示,分类、检测、分割和视觉定位模型在人口属性和属性交叉上存在性能差异。这些伤害表明,在这些视觉任务中,并不是所有的人都能得到公平和公正的对待。我们希望使用我们的基准测试结果能够为更加公平、更加稳健的视觉模型做出贡献。FACET 在该 https URL 上公开可用。
Aug, 2023
这篇研究提供了一个多样化的数据集,包括 12,345 个高分辨率的皮肤镜图像,涵盖了 38 个皮肤病变的亚类,为皮肤病变的早期诊断提供了可靠的基础和有针对性的研究。
Jun, 2024