增强视觉属性预测器的公平性
计算机视觉与模式识别
2022-10-04 v3 概率论
摘要
已知深度神经网络在图像识别任务（如预测笑脸）中对于敏感属性中代表性不足类别的性能会下降。我们通过引入基于 Demographic Parity、Equalized Odds 以及一种新颖的 Intersection-over-Union 度量的公平性感知正则化损失来解决此问题。在来自 CelebA、UTKFace 以及 SIIM-ISIC 黑色素瘤分类挑战的面部与医学图像上进行的实验显示了我们所提公平性损失在偏差缓解上的有效性，因为它们在保持高分类性能的同时改善了模型公平性。据我们所知，我们的工作是首次尝试将这些类型的损失纳入端到端训练方案中以缓解视觉属性预测器的偏差。我们的代码可在 https://github.com/nish03/FVAP 获取。
引用
@article{arxiv.2207.05727,
title = {Enhancing Fairness of Visual Attribute Predictors},
author = {Tobias Hänel and Nishant Kumar and Dmitrij Schlesinger and Mengze Li and Erdem Ünal and Abouzar Eslami and Stefan Gumhold},
journal= {arXiv preprint arXiv:2207.05727},
year = {2022}
}
备注
Camera Ready, ACCV 2022