一致的实例假阳性率提升人脸识别公平性
计算机视觉与模式识别
2021-06-11 v1
摘要
人口统计学偏差是实用人脸识别系统中的重大挑战。现有方法严重依赖准确的人口统计学标注。然而，此类标注在真实场景中通常不可用。此外，这些方法通常针对特定人口统计学群体设计，泛化性不足。本文提出一种假阳性率惩罚损失，通过提升实例假阳性率（FPR）的一致性来缓解人脸识别偏差。具体而言，我们首先将实例 FPR 定义为超过统一阈值的非目标相似度数量与总非目标相似度数量之比。该统一阈值针对给定总 FPR 进行估计。随后，一个与实例 FPR 占总体 FPR 之比成比例的额外惩罚项被引入基于 softmax 的损失分母中。实例 FPR 越大，惩罚越大。通过这种不等惩罚，实例 FPR 应趋于一致。与既往去偏方法相比，我们的方法无需人口统计学标注。因此，它可以缓解由各种属性划分的人口统计学群体间的偏差，且这些属性无需在训练前预先定义。在流行基准上的大量实验结果证明了我们的方法相对于最先进竞争对手的优越性。代码和训练模型可在 https://github.com/Tencent/TFace 获取。
引用
@article{arxiv.2106.05519,
title = {Consistent Instance False Positive Improves Fairness in Face Recognition},
author = {Xingkun Xu and Yuge Huang and Pengcheng Shen and Shaoxin Li and Jilin Li and Feiyue Huang and Yong Li and Zhen Cui},
journal= {arXiv preprint arXiv:2106.05519},
year = {2021}
}
备注
CVPR2021