KFC：基于公平对比损失与多任务学习的亲属关系验证
计算机视觉与模式识别
2023-09-21 v2
摘要
亲属关系验证是计算机视觉中一项新兴任务，具有多种潜在应用。然而，目前没有足够大的亲属关系数据集来训练具有代表性且鲁棒的模型，这是取得更优性能的局限。此外，人脸验证已知存在偏差，既往亲属关系验证工作未处理此问题，有时甚至引发严重问题。因此我们首先合并现有亲属关系数据集，并为每个身份标注正确种族，以纳入种族信息并提供更大且完整的称为 KinRace 的数据集。其次，我们提出带注意力模块的多任务学习模型结构以提升准确率，其超越了当前最优性能。最后，我们具有公平意识的对比损失函数结合对抗学习大幅缓解了种族偏差。我们在传统对比损失中引入去偏项，并在种族分类任务中实施梯度反转，这是混合两种公平方法以缓解偏差的创新思路。详尽的实验评估同时证明了所提 KFC 在标准差与准确率上的有效性与优越性能。
引用
@article{arxiv.2309.10641,
title = {KFC: Kinship Verification with Fair Contrastive Loss and Multi-Task Learning},
author = {Jia Luo Peng and Keng Wei Chang and Shang-Hong Lai},
journal= {arXiv preprint arXiv:2309.10641},
year = {2023}
}
备注
Accepted by BMVC 2023