通过组自适应分类器缓解人脸识别偏差
计算机视觉与模式识别
2020-12-02 v2
摘要
众所周知，人脸识别存在偏差——特定人口统计群体中的个体可能比其他群体被识别得更好。本工作旨在学习一种公平的人脸表征，使得每个群体的人脸都能得到更平等的表征。我们提出的组自适应分类器通过基于人脸的人口统计属性使用自适应卷积核和注意力机制来缓解偏差。该自适应模块包含针对每个人口统计群体的核掩码和通道级注意力图，以便激活不同的面部区域进行识别，从而产生与其人口统计特征相关的更具判别力的特征。我们引入的自动适应策略通过迭代计算人口统计自适应参数之间的不相似性，来决定是否对某一层应用自适应。提出了一种新的去偏损失函数，以缩小人口统计群体之间平均类内距离的差距。在人脸基准数据集（RFW、LFW、IJB-A 和 IJB-C）上的实验表明，我们的工作能够在保持有竞争力的准确率的同时，缓解跨人口统计群体的人脸识别偏差。
引用
@article{arxiv.2006.07576,
title = {Mitigating Face Recognition Bias via Group Adaptive Classifier},
author = {Sixue Gong and Xiaoming Liu and Anil K. Jain},
journal= {arXiv preprint arXiv:2006.07576},
year = {2020}
}