公平之面：审视面部表情识别数据集与模型中的偏差
计算机视觉与模式识别
2025-10-29 v2
摘要
构建人工智能系统（包括面部表情识别 FER）涉及两个关键方面：数据和模型设计。两个组成部分均显著影响 FER 任务中的偏差与公平性。FER 数据集和模型中偏差与公平性问题仍未得到充分探索。本研究调查了 FER 数据集和模型中的偏差来源。分析了四种常见的 FER 数据集——AffectNet、ExpW、Fer2013 和 RAF-DB。研究结果表明，尽管存在数据不平衡，AffectNet 和 ExpW 仍表现出较高的泛化能力。此外，本研究评估了六种深度模型的偏差与公平性，包括三种最先进的卷积神经网络（CNN）模型：MobileNet、ResNet、XceptionNet，以及三种基于 Transformer 的模型：ViT、CLIP 和 GPT-4o-mini。实验结果表明，虽然 GPT-4o-mini 和 ViT 取得了最高的准确率，但它们也表现出最高水平的偏差。这些发现强调了在数据集和模型中开发新方法以减轻偏差并确保公平性的紧迫性，特别是在情感计算应用中。详见我们的实现细节：https://github.com/MMHosseini/bias_in_FER。
引用
@article{arxiv.2502.11049,
title = {Faces of Fairness: Examining Bias in Facial Expression Recognition Datasets and Models},
author = {Mohammad Mehdi Hosseini and Ali Pourramezan Fard and Mohammad H. Mahoor},
journal= {arXiv preprint arXiv:2502.11049},
year = {2025}
}