评估人脸图像质量评价中的偏差
计算机视觉与模式识别
2022-11-29 v1
摘要
人脸图像质量评价（FIQA）试图通过提供关于样本质量的额外信息来提高人脸识别（FR）性能。由于 FIQA 方法试图估计样本对人脸识别的效用，因此有理由认为这些方法深受底层人脸识别系统的影响。尽管已知现代人脸识别系统表现良好，但多项研究发现此类系统经常表现出人口统计偏差问题。因此，FIQA 技术很可能也存在此类问题。为了研究与 FIQA 方法相关的人口统计偏差，本文提出了一项综合研究，涉及多种质量评价方法（通用图像质量评价、有监督人脸质量评价和无监督人脸质量评价方法）以及三种不同的最先进 FR 模型。我们在 Balanced Faces in the Wild (BFW) 数据集上的分析表明，所有被考虑的技术受种族变化的影响都大于性别变化。虽然通用图像质量评价方法在所考虑的两个人口统计因素上似乎偏差较小，但有监督和无监督人脸图像质量评价方法都表现出强烈的偏差，倾向于偏爱白人个体（无论性别）。此外，我们发现种族偏差较小的方法整体性能更差。这表明，在 FIQA 方法中观察到的偏差在很大程度上与底层人脸识别系统有关。
引用
@article{arxiv.2211.15265,
title = {Assessing Bias in Face Image Quality Assessment},
author = {Žiga Babnik and Vitomir Štruc},
journal= {arXiv preprint arXiv:2211.15265},
year = {2022}
}
备注
The content of this paper was published in EUSIPCO 2022