深度人脸分析中的偏差研究：KANFace 数据集与实证分析
计算机视觉与模式识别
2020-09-10 v2
摘要
基于深度学习的方法推动了人脸分析领域当前最优水平的极限。然而，尽管取得成功，这些模型仍引发了对某些人口统计群体偏倚的担忧。该偏倚既源于训练集中人口统计多样性的有限，也源于算法的设计。在本工作中，我们研究深度学习模型在人脸识别、年龄估计、性别识别和亲属关系验证中的人口统计偏倚。为此，我们引入了迄今为止最全面、大规模的人脸图像与视频数据集。其包含来自 1,045 名受试者在无约束真实世界条件下捕获的 40K 静态图像和 44K 序列（总计 14.5M 视频帧）。数据在身份、确切年龄、性别和亲属关系方面被手动标注。通过开展一系列实验，审视当前最优模型的性能并揭示人口统计偏倚。最后，引入一种消除网络嵌入偏倚的方法，并在所提基准上测试。
引用
@article{arxiv.2005.07302,
title = {Investigating Bias in Deep Face Analysis: The KANFace Dataset and Empirical Study},
author = {Markos Georgopoulos and Yannis Panagakis and Maja Pantic},
journal= {arXiv preprint arXiv:2005.07302},
year = {2020}
}