人脸变形攻击检测中的算法公平性
计算机视觉与模式识别
2021-11-25 v1
摘要
人脸变形攻击可通过利用人脸识别系统（FRS）的漏洞来破坏该系统。近年来已开发人脸变形攻击检测（MAD）技术以阻止此类攻击并降低变形攻击的风险。MAD 算法与任何其他算法一样，应以平等的方式对待来自不同种族来源的主体图像，并提供无歧视的结果。尽管有前景的 MAD 算法已针对鲁棒性进行了测试，但尚无研究全面基准测试它们针对不同种族的表现。在本文中，我们研究并呈现了对现有基于单图像的变形攻击检测（S-MAD）算法的算法公平性的全面分析。我们试图更好地理解种族偏见对 MAD 算法的影响，为此，我们在一个由四个不同种族群体组成的新建数据集上研究了 MAD 算法的性能。通过使用六种不同的 S-MAD 技术进行大量实验，我们首先给出了检测性能的基准，然后使用公平性差异率（FDR）度量它们各自的算法公平性量化值。结果表明，当在不同种族群体上训练和测试时，所有六种不同 S-MAD 方法均缺乏公平性，这表明需要可靠的 MAD 方法来缓解算法偏见。
引用
@article{arxiv.2111.12115,
title = {Algorithmic Fairness in Face Morphing Attack Detection},
author = {Raghavendra Ramachandra and Kiran Raja and Christoph Busch},
journal= {arXiv preprint arXiv:2111.12115},
year = {2021}
}
备注
Accepted to WACVW2022