ECCV 2020 FairFace 挑战赛：人脸识别中的偏差分析
计算机视觉与模式识别
2020-12-03 v2
摘要
本工作总结了 2020 年 ChaLearn Looking at People 公平人脸识别与分析挑战赛，并对获胜解决方案及结果分析进行了描述。该挑战赛旨在评估所提交算法在存在其他混杂属性的 1:1 人脸验证任务中，在性别和肤色方面的准确率与偏差。参与者使用基于重新标注的 IJB-C 的野外数据集进行评估，该数据集进一步由 12.5K 张新图像和额外标签扩充。数据集并不平衡，这模拟了真实世界场景：本应呈现公平结果、基于 AI 的模型在不平衡数据上被训练和评估。挑战赛吸引了 151 名参与者，总计提交超过 1.8K 次。挑战赛的最终阶段吸引了 36 支活跃队伍，其中 10 支在提出的偏差指标上取得极低分数的同时超过了 0.999 的 AUC-ROC。参与者的常见策略包括人脸预处理、数据分布均质化、使用偏差感知损失函数以及集成模型。对前 10 名队伍的分析显示，深肤色女性以及眼镜和年幼年龄因素具有更高的假阳性率（和更低的假阴性率），且后者也有可能提高假阳性率。
引用
@article{arxiv.2009.07838,
title = {FairFace Challenge at ECCV 2020: Analyzing Bias in Face Recognition},
author = {Tomáš Sixta and Julio C. S. Jacques Junior and Pau Buch-Cardona and Neil M. Robertson and Eduard Vazquez and Sergio Escalera},
journal= {arXiv preprint arXiv:2009.07838},
year = {2020}
}
备注
accepted on ECCV'2020 Fair Face Recognition and Analysis Workshop