面向人脸属性分类的公平对比学习
计算机视觉与模式识别
2022-03-31 v1
摘要
学习高质量的视觉表征对图像分类至关重要。近来，一系列对比表征学习方法取得了卓越的成功。特别是，SupCon 在表征学习上优于基于交叉熵损失的主流方法。然而，我们注意到监督对比学习可能存在潜在的伦理风险。本文首次分析了监督对比学习引起的不公平性，并提出了一种新的公平监督对比损失（FSCL）用于公平视觉表征学习。它继承了监督对比学习的理念，鼓励同一类样本的表征比不同类样本的表征更相近，同时通过惩罚表征中包含敏感属性信息来保证公平性。此外，我们引入组间归一化以减少人口统计群体之间引起不公平分类的组内紧致性和类间可分性差异。通过在 CelebA 和 UTK Face 上的大量实验，我们验证了所提方法在 top-1 准确率与公平性权衡方面显著优于 SupCon 及现有最先进方法。而且，我们的方法对数据偏置强度具有鲁棒性，并在不完全监督设置下有效工作。我们的代码见 https://github.com/sungho-CoolG/FSCL。
引用
@article{arxiv.2203.16209,
title = {Fair Contrastive Learning for Facial Attribute Classification},
author = {Sungho Park and Jewook Lee and Pilhyeon Lee and Sunhee Hwang and Dohyung Kim and Hyeran Byun},
journal= {arXiv preprint arXiv:2203.16209},
year = {2022}
}
备注
CVPR 2022