面部表情识别中的偏差与公平性研究
计算机视觉与模式识别
2020-08-24 v3
摘要
从面部图像中识别情绪与情感表达是情感计算与计算机视觉领域中研究充分的问题，现有大量包含面部图像及对应表情标签的数据集。然而，这些数据集几乎无一在采集时考虑了人群间的公平分布。因此，本文通过对三种不同方法（即基线方法、属性感知方法与解耦方法）在 RAF-DB 和 CelebA 两个知名数据集上的比较，对面部表情识别中的偏差与公平性进行了系统性研究。我们的结果表明：(i) 数据增强提升了基线模型的准确率，但仅此不足以缓解偏差效应；(ii) 结合数据增强的属性感知与解耦方法在准确率与公平性上均优于基线方法；(iii) 解耦方法在缓解人口统计学偏差方面表现最佳；(iv) 偏差缓解策略更适用于属性分布不均或子群数据数量不平衡的情形。
引用
@article{arxiv.2007.10075,
title = {Investigating Bias and Fairness in Facial Expression Recognition},
author = {Tian Xu and Jennifer White and Sinan Kalkan and Hatice Gunes},
journal= {arXiv preprint arXiv:2007.10075},
year = {2020}
}