通过逐主体对抗式数据增强探究人脸识别中的种族偏差
计算机视觉与模式识别
2020-04-21 v1
摘要
尽管人脸识别应用在我们日常生活中日益普及，但该领域的领先方法仍存在性能偏差，损害了社会中某些种族群体的利益。在本研究中，我们提出了一种新颖的对抗式派生数据增强方法，旨在通过图像到图像的变换来迁移敏感的种族特征性面部属性，从而在逐主体层面实现数据集平衡。我们的目标是自动构建一个合成数据集，通过在不同种族域之间变换面部图像，同时保留与身份相关的特征，使得在判定主体身份时种族依赖特征 subsequently 变得无关。我们在三种重要的人脸识别变体上构建实验：基于通用卷积神经网络骨干网络的 Softmax、CosFace 和 ArcFace 损失。在并列比较中，我们展示了所提技术对原始不平衡训练数据集中（种族）少数群体的识别性能产生的积极影响，降低了性能上的种族间方差。
引用
@article{arxiv.2004.08945,
title = {Exploring Racial Bias within Face Recognition via per-subject Adversarially-Enabled Data Augmentation},
author = {Seyma Yucer and Samet Akçay and Noura Al-Moubayed and Toby P. Breckon},
journal= {arXiv preprint arXiv:2004.08945},
year = {2020}
}
备注
CVPR 2020 - Fair, Data Efficient and Trusted Computer Vision Workshop