利用生成对抗网络缓解驾驶员 drowsiness 检测系统中的偏差

数据集在训练深度神经网络时至关重要。当数据集不具代表性时，训练出的模型易产生偏差，因为它们无法泛化到真实世界环境。对于在特定文化背景下训练的模型而言，这一问题尤为突出，此类模型可能无法代表广泛的种族群体，从而泛化失败。这对于驾驶员 drowsiness 检测是一个特殊挑战，因为许多公开可用数据集不具代表性，仅覆盖某些族群。传统增强方法在针对不同面部属性的其他群体测试时无法提升模型性能，且构建新的、更具代表性的数据集通常颇具挑战。本文中，我们引入一种新颖框架，提升针对不同种族群体的 drowsiness 检测性能。我们的框架通过使用生成对抗网络（GAN）进行针对性数据增强来改进为预测训练的卷积神经网络（CNN），该增强基于一种群体偏差可视化策略，其将具有相似面部属性的面孔分组并突出模型失败之处。一种采样方法选取模型表现不佳的面孔，用于微调 CNN。实验展示了我们的方法在提升未被充分代表的种族群体的驾驶员 drowsiness 检测方面的有效性。此处，将在公开数据集上训练的模型与使用所提数据增强策略训练的模型进行比较。尽管是在驾驶员 drowsiness 检测背景下开发，所提框架并不限于该任务，还可应用于其他应用。