用于公平人脸识别的元平衡网络
计算机视觉与模式识别
2022-05-16 v1
摘要
尽管深度人脸识别近年来取得了令人瞩目的进展，但关于基于肤色的歧视争议不断涌现，质疑其在真实场景中的部署。本文旨在从数据和算法两方面系统且科学地研究这一偏差。首先，利用皮肤科医生认可的 Fitzpatrick 肤色分类系统与个体类型角，我们构建了一个称为 Identity Shades（IDS）数据库的基准，有效量化了现有人脸识别算法和商业 API 中相对于肤色的偏差程度。此外，我们提供了两个肤色感知训练数据集，称为 BUPT-Globalface 数据集和 BUPT-Balancedface 数据集，以消除训练数据中的偏差。最后，为缓解算法偏差，我们提出了一种称为元平衡网络（MBN）的新型元学习算法，该算法在大间隔损失中学习自适应间隔，使得由该损失优化的模型能够在不同肤色人群间公平地表现。为确定间隔，我们的方法在一个干净且无偏的元集上优化元偏度损失，并利用反向之上的反向自动微分在当前间隔上执行二阶梯度下降步骤。大量实验表明，MBN 成功缓解了偏差，并在人脸识别中为不同肤色人群学习了更均衡的性能。所提出的数据集可在 http://www.whdeng.cn/RFW/index.html 获取。
引用
@article{arxiv.2205.06548,
title = {Meta Balanced Network for Fair Face Recognition},
author = {Mei Wang and Yaobin Zhang and Weihong Deng},
journal= {arXiv preprint arXiv:2205.06548},
year = {2022}
}
备注
Accepted by IEEE Transactions on Pattern Analysis and Machine Intelligence (TPAMI)