ICCVOct, 2023

公平人脸识别的不变特征规范化

PDF
TL;DR公平人脸识别通过学习具有一般化效果的不变特征来应对真实世界观察中无偏常见的人口属性，其中存在偏差效应导致模型在少数群体中泛化效果不佳。我们指出这种偏差是由于潜在的人口属性导致不准确的特征学习，而这种混淆效应只能通过因果干预和消除潜在的人口属性才能解决。为了解决这个问题，我们提出了一种无监督生成多样性数据的分区方法，并结合两种强基准方法（Arcface 和 CIFP）与不变特征正则化（INV-REG）相结合，取得了新的最先进的结果，在各种人口群体中改善了人脸识别性能。
发现论文，激发创造
  • 提高人脸模型身份鲁棒性

    本研究提出使用人脸识别嵌入向量作为代理标识，通过加权样本来强制实现模型的稳健性和性能均匀性，在不需要注释的情况下提高模型的标识相关性的稳健性和性能。

    Apr, 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

  • 通过群体自适应分类器缓解人脸识别偏差

    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

  • CoReFace: 深度人脸识别的样本引导对比正则化

    提出一种名为 CoReFace 的新方法，它将样本引导的对比学习应用于特征表示学习，以在特征表示学习中直接规范图像级别关系。 CoReFace 的实验表明其与现有最先进方法具有极高的竞争力。

    Apr, 2023

  • PoseFace: 面部识别的姿态不变特征与姿态自适应损失

    该论文提出了一个有效的 PoseFace 框架，它利用人脸特征点来解开姿势不变特征，并利用姿势自适应损失处理训练期间的数据不平衡问题，这在 Multi-PIE、CFP、CPLFW 和 IJB 等基准测试中展现了优越性。

    Jul, 2021

  • 面向年龄不变人脸识别的正交深层特征分解

    本文提出了一种新颖的方法（正交嵌入卷积神经网络，OE-CNNs）来学习年龄不变深度人脸特征，并构建了一个全新的大规模跨龄人脸数据集（CAF）用于增强该领域的研究和实验验证。实验结果表明，该方法在年龄不变人脸识别和一般人脸识别上表现具有可比性。

    Oct, 2018

  • 使用公平分数归一化进行人脸识别中人口偏见的后比较缓解

    该研究提出了一种新颖的无监督公平得分归一化方法，用于减少面部识别中的偏见，并导致显着的总体性能提升。实验结果表明，这种方法可以降低性别等群体的偏见，并且相比现有方法更加一致地减少了这种偏见，同时也可以增强总体性能。

    Feb, 2020

  • 面部识别的特征转移学习与少样本数据

    本研究利用中心特征转移框架增加被低估的人群的特征空间，使用加权高斯分布使得低估分布更加接近于正常分布，并在多个数据集上验证其较高的准确率和非身份变化的特征空间扩展方法。

    Mar, 2018

  • InclusiveFaceNet: 利用种族与性别多样性提升人脸属性检测

    本研究提出了一种面部属性检测的方法，即在学习属性检测任务之前学习人口统计信息，从而在性别和种族子群中保持或提高属性检测的准确性。该系统名为 InclusiveFaceNet，通过转移从公开种族和性别身份的数据集中学习到的种族和性别表示来检测面部属性，同时在保留潜在用户人口统计隐私的同时，获得了迄今为止面部属性检测中关于 Faces of the World 和 CelebA 数据集中最佳的报告数字之一。

    Dec, 2017

  • 迈向更公平的人脸识别数据集

    利用生成的训练数据集中的人口属性平衡机制，提出了一种全面的评估方法，旨在促进更公平、透明的人脸识别和验证，并发现在减少人口属性不公平的同时，性能差距仍然存在。

    Jun, 2024