Sep, 2023

KFC: 基于公平对比损失和多任务学习的亲属验证

PDF
TL;DR我们提出了一个名为 KinRace 的更大且完整的数据集，结合了现有的亲属关系数据集，并为每个身份标记了正确的种族信息；我们还通过引入多任务学习模型结构和注意力模块来提高准确性；最后，我们使用公平感知对比损失函数和对抗性学习来减轻种族偏见。通过详尽的实验评估，我们证明了所提出的 KFC 方法在标准差和准确性方面的有效性和卓越性能。
kinship verificationkinship datasetface verificationmulti-task learning modelfairness-aware contrastive loss
发现论文，激发创造
  • 层次化表示学习在亲属关系验证中的应用

    该研究通过人类研究和基于过滤器和压缩正则化惩罚的新颖特征表示方法（fcDBN）提出一种层次化的亲属验证方法，并使用 WVU 亲属数据库验证其在人脸验证中的性能提升。

    May, 2018

  • 基于联合学习的亲属关系识别：利用亲属验证集成

    本文提出了一种新的亲属关系识别方法，该方法基于关系验证集合和分类模块的联合训练，并建议将训练数据集重新平衡以更符合真实分布。在大规模实验中，该方法对于亲属关系的识别具有较好的性能表现，并且同一数据集上基于该方法训练的亲属关系验证也实现了显著性能提升。

    Apr, 2020

  • 强大的亲属验证的新方法：色彩 MS-BSIF 特征学习

    该论文提出了一种新的方法，用于基于面部图像从血统上验证亲属关系，并确定这种基因关系的准确类型或程度。使用 LBP 和颜色 BSIF 学习特征进行比较和 TXQDA 方法进行降维和数据分类。实验结果证明了我们框架的可靠性，并超越了其他最先进技术的性能。

    Dec, 2023

  • 通过多尺度 Retinex 和深浅特征提高亲属验证

    运用多尺度 Retinex 前处理方法，结合深浅纹理描述符，通过逻辑回归方法在评分水平上巧妙地融合，从而提高图像质量和对比度，从而在亲缘验证方面取得了鲁棒性和效果优异的结果。

    Dec, 2023

  • 人脸成分关系下的亲属关系表示学习

    本文提出了一种基于面部部件关系网络和交叉注意机制的亲属关系识别方法 FaCoRNet，能够更准确地识别亲属关系，取得了最大的公开数据集 FIW 上最优的成果。

    Apr, 2023

  • 融合深度和浅层特征用于人脸亲属关系验证

    本文通过 Multiscale Retinex 技术提升图像质量，并结合深度和浅层纹理描述符通过逻辑回归方法在得分级别上进行联合，实现了面部图像的亲属关系验证。作者通过对 Cornell Kin Face、UB Kin Face 和 TS Kin Face 等三个具有挑战性的亲属关系数据集进行了全面的实验，评估了该方法的有效性。

    Dec, 2023

  • 面部预处理技术在基于张量分析的稳健亲属关系验证中的威力

    使用野外拍摄的面部照片进行亲属关系验证是计算机视觉科学中的研究难点之一，本研究介绍了一个基于面部图像的亲属相关性检查系统，通过面部预处理、特征提取和降维等方法，有效地提高了亲属关系验证的效率。

    Dec, 2023

  • 元学习鉴别性样本用于亲缘验证

    本文研究基因亲缘关系验证中存在的非平衡数据问题，提出了一种称为 DSMM 的方法，通过元学习的方式对非平衡数据中的重要样本进行挖掘和加权，从而提高了模型的验证效果。

    Mar, 2021

  • 探究深度面部分析中的偏差：KANFace 数据集和实证研究

    本文研究基于深度学习技术的面部识别、年龄估计、性别识别和亲属关系验证模型中存在的人口统计学偏差，并通过引入规模最大、最全面的面部图像和视频数据集及手动注释，揭示了基于最先进模型的拟合性能和偏差，最后引入和验证了去偏嵌入网络的方法。

    May, 2020

  • ECCV 2020 的 FairFace Challenge：分析人脸识别中的偏见

    本文总结了 2020 年 ChaLearn Looking at People Fair Face Recognition and Analysis Challenge 的评测结果和优胜解决方案，并提供了对结果的分析。这个比赛的目的是评估提交算法在其他混淆因素存在时的准确性和性别和肤色方面的偏见。参赛者使用一个不平衡的数据集进行了评估，这模拟了 AI 模型在不平衡数据上训练和评估的真实世界情况。最终该比赛吸引了 151 个参与者，36 个团队进入了最后一轮。其中 10 个团队在实现非常低的偏见指标的同时，超过了 0.999 的 AUC-ROC。参赛者们常用的策略包括面部预处理、数据分布的同质化、使用有偏向性的损失函数和集成模型。前 10 名团队的分析还表明，对于肤色较暗的女性，虚假阳性率较高，同时，佩戴眼镜和年龄较小也会增加虚假阳性率。

    Sep, 2020