面向缓解面部表情与动作单元识别偏差的域增量持续学习
计算机视觉与模式识别
2022-06-28 v1 机器学习
摘要
随着面部表情识别（FER）系统融入我们的日常生活，这些系统需要优先做出公平的决策，而非追求更高的个体准确率。从监控系统到诊断个体的心理与情绪健康状况，这些系统都需要平衡准确率与公平性之间的权衡，以做出不会不公正地歧视特定代表性不足人口群体的决策。鉴于偏差是面部分析系统中的关键问题，已有不同方法旨在从数据和算法层面缓解偏差。在本工作中，我们提出新颖地利用持续学习（CL），特别是采用域增量学习（Domain-IL）设定，作为一种有效的偏差缓解方法，以提升 FER 系统的公平性，同时防范由偏斜数据分布引起的偏差。我们使用两个流行的基准数据集 RAF-DB 和 BP4D，分别在表情识别和动作单元（AU）检测任务上，比较了不同的非基于 CL 和基于 CL 方法的分类准确率与公平性分数。我们的实验结果表明，基于 CL 的方法在准确率和公平性指标上平均优于其他流行的偏差缓解技术。
引用
@article{arxiv.2103.08637,
title = {Domain-Incremental Continual Learning for Mitigating Bias in Facial Expression and Action Unit Recognition},
author = {Nikhil Churamani and Ozgur Kara and Hatice Gunes},
journal= {arXiv preprint arXiv:2103.08637},
year = {2022}
}