用于更公平人脸识别的非对称拒绝损失

近年来人脸识别性能取得了巨大提升，主要得益于大规模人脸图像数据集的可用性，深度神经网络可利用其学习强大的人脸表示。然而，近期研究表明不同族群间的人脸识别性能存在差异，主要由于训练数据集中种族不平衡，其中高加索人身份大幅主导其他族群。这实际上是通常采集人脸数据集的名流圈中非高加索族群代表性不足的症状，使得获取代表性不足群体的标注数据具有挑战性。本文提出一种非对称拒绝损失（Asymmetric Rejection Loss），旨在充分利用那些代表性不足群体的未标注图像，以减少人脸识别模型的种族偏差。我们将每个未标注图像视为一个独特类别，但由于无法保证两个未标注样本来自不同类别，我们在损失形式中以非对称方式利用有标注和未标注数据。大量实验显示了我们的方法在缓解种族偏差方面的优势，优于最先进的半监督方法。代表性不足族群上的性能提升，而代表性充足群体上的性能几乎不变。