通过合成种族变化实现包容性人脸识别

May, 2024

通过合成种族变化实现包容性人脸识别

Towards Inclusive Face Recognition Through Synthetic Ethnicity Alteration

Praveen Kumar Chandaliya, Kiran Raja, Raghavendra Ramachandra, Zahid Akhtar, Christoph Busch

TL;DR研究发现，现有的人脸识别系统往往存在对某些民族的偏见，这是因为数据中缺乏对这些民族的充分代表。本研究通过使用合成人脸图像生成方法来改变种族和肤色，以增加数据集的多样性。研究还对使用这样的数据集进行人脸识别系统的适应性进行了详细分析，并使用个体类型角度（ITA）进行真实肤色表示的评估，并使用人脸图像质量评估方法对质量特性进行分析。通过使用四种不同的系统进行全面的人脸识别系统性能分析，本研究为未来的研究工作铺平了道路，包括（i）开发特定民族和一般民族的改变模型，（ii）扩展这样的方法以创建具有多样肤色的数据库，（iii）创建代表各种民族的数据集，进一步在解决隐私问题的同时有助于减轻偏见。

Abstract

Numerous studies have shown that existing face recognition systems (FRS), including commercial ones, often exhibit biases toward certain ethnicities due to under-represented data. In this work, we explore ethnicity alte

face recognition systems ethnicity alteration skin tone modification diversity of datasets ethnicity representation

发现论文，激发创造

合成基于人脸识别中的偏见和多样性

合成数据在解决处理真实面部数据的伦理和法律挑战中作为真实数据的替代品出现。我们研究了合成面部识别数据集的多样性与真实数据集的对比，以及生成模型的训练数据分布如何影响合成数据的分布。我们还研究了在比较最近三个基于合成数据的面部识别模型与基准模型 (基于真实数据) 在所研究属性上的具体偏差。结果显示，生成器生成的不同属性具有与所使用的训练数据相似的分布。在偏差方面，合成模型与真实模型具有类似的偏差行为。然而，发现较低的内部一致性似乎有助于减少偏差。

Nov, 2023

使用合成脸部数据进行人脸识别

本研究利用合成数据和微调模型，在人脸识别领域取得了高精确度的成果，并研究表明模型的性能还受到脸部不同部位的影响。

May, 2023

人脸识别中减少人口统计偏见的合成数据

通过使用合成数据来缓解影响面部识别技术的人口偏见的可能性进行了研究。

Feb, 2024

通过每个受试者对抗性数据增强探索面部识别中的种族偏见

本研究提出了一种基于图像转换的敌对数据扩充方法，旨在通过转换感性种族特征的面部图像，实现每个主题的数据集平衡。实验结果表明，该方法可以减少原本不平衡的数据集中对（种族）少数群体的认知偏差，对 Softmax，CosFace 和 ArcFace 的识别表现产生积极影响

Apr, 2020

缓解文本到图像生成系统中的刻板偏见

本研究提出了一种总结生成文本到图像模型中的社会偏见并确保结果在不同人群之间公平的方法。我们通过在多样的文本提示下，用由各种民族、性别、职业、年龄组等组合构建的感知肤色和性别差异的合成数据对文本到图像模型进行微调，从而减轻了这种偏见。相较于基准模型，我们的多样性微调模型在感知肤色和性别方面将群体公平指标分别提高了 150% 和 97.7%。该模型生成具有感知肤色较暗和更多女性的生成图像。为推动开放研究，我们将公开发布所有文本提示和生成训练图像的代码。

Oct, 2023

合成儿童种族数据的基于 GAN 的图像翻译的比较研究

利用图像转换方法，利用 pix2pix、CycleGAN 和 CUT 网络来生成各种合成儿童数据样本，以实现更广泛的种族多样性。

Aug, 2023

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

跨族群人脸反欺诈识别挑战：综述

该研究主要探讨基于深度神经网络的人脸反欺诈技术在实践中存在的族裔偏差问题，并介绍了 CASIA-SURF CeFA 跨种族人脸反欺诈数据集与 Chalearn Face Anti-spoofing Attack Detection Challenge 竞赛等相关内容及其结果

Apr, 2020

姿态和光照不变人脸识别数据增强

本文提出了一种方法，在不修改深度神经网络本身的结构下，通过半合成图像增加深度学习模型对于姿势和光照变化的适应能力，从而提升了现代人脸识别系统在具有挑战性的 IJB-A 数据集上的识别性能。

Apr, 2017

生成逼真的训练数据以提高人脸识别准确性

本文研究使用合成数据来增强面部数据集的可行性。我们提出了一种新颖的生成对抗网络（GAN），可以将相关身份属性与非相关身份属性区分开来。我们的 GAN 能够生成数据增强的合成图像，并且该模型可以提高面部识别模型的准确率。

Oct, 2018