人脸呈现攻击检测中的公平性
计算机视觉与模式识别
2023-10-20 v3
摘要
人脸识别（FR）算法已被证明对特定人口统计学与非人口统计学群体表现出歧视性行为，这引发了其在现实场景部署中的伦理与法律担忧。尽管FR中的公平性研究日益增多，人脸呈现攻击检测（PAD）的公平性却被忽视，主要由于缺乏适当标注的数据。为避免并缓解此类行为的潜在负面影响，评估人脸PAD中的公平性并开发公平的PAD模型至关重要。为支持人脸PAD中的公平性分析，我们提出了一个带组合属性标注的PAD数据集（CAAD-PAD），提供七个人工标注的属性标签。随后，我们通过一系列人脸PAD方案，全面分析了PAD的公平性及其与训练数据性质和操作决策阈值分配（ODTA）的关系。此外，我们提出了一种新指标——精度平衡公平性（ABF），它联合表示了PAD公平性与绝对PAD性能。实验结果表明，在所有PAD方案中，女性和具有遮挡特征（如眼镜、胡须等）的人脸相比男性和无遮挡群体受保护程度相对较低。为缓解这一观察到的不公平性，我们提出了一种即插即用的数据增强方法FairSWAP，以破坏身份/语义信息并促使模型挖掘攻击线索。大量实验结果表明，在12个研究案例中有10个，FairSWAP带来了性能更优且更公平的人脸PAD。
引用
@article{arxiv.2209.09035,
title = {Fairness in Face Presentation Attack Detection},
author = {Meiling Fang and Wufei Yang and Arjan Kuijper and Vitomir Struc and Naser Damer},
journal= {arXiv preprint arXiv:2209.09035},
year = {2023}
}
备注
Accepted at Pattern Recognition