用于公平面部属性分类的分布生成增强
计算机视觉与模式识别
2024-03-26 v2 机器学习
摘要
面部属性分类 (FAC) 在广泛应用中展现出巨大潜力。然而，采用传统方法训练的 FAC 模型可能不公平，表现为在不同数据子群体中准确率不一致。这种不公平主要归因于数据偏差，即某些虚假属性（如男性）与目标属性（如微笑）在统计上相关。大多数现有的公平感知方法依赖于虚假属性的标签，而这些标签在实践中可能不可用。这项工作提出了一种新颖的、基于生成的两阶段框架，旨在无需额外标注的情况下，在有偏差的数据上训练公平的 FAC 模型。最初，我们基于生成模型识别潜在的虚假属性。值得注意的是，它通过在图像空间中明确展示虚假属性来增强可解释性。随后，对于每张图像，我们首先以从均匀分布中采样的随机程度编辑虚假属性，同时保持目标属性不变。然后，我们通过促进模型对这些增强的不变性来训练公平的 FAC 模型。在三个常用数据集上的大量实验表明，我们的方法在不牺牲准确率的情况下有效促进了 FAC 的公平性。代码见 https://github.com/heqianpei/DiGA。
引用
@article{arxiv.2403.06606,
title = {Distributionally Generative Augmentation for Fair Facial Attribute Classification},
author = {Fengda Zhang and Qianpei He and Kun Kuang and Jiashuo Liu and Long Chen and Chao Wu and Jun Xiao and Hanwang Zhang},
journal= {arXiv preprint arXiv:2403.06606},
year = {2024}
}
备注
CVPR 2024