MixFairFace：通过 MixFair 适配器实现人脸识别的终极公平性
计算机视觉与模式识别
2022-11-29 v1
摘要
尽管人脸识别已取得显著进展，但人脸识别系统中仍存在人口统计偏差。例如，经常出现某一人群组的人脸识别性能低于其他组的情况。在本文中，我们提出 MixFairFace 框架以改善人脸识别模型的公平性。首先，我们认为常用的基于属性的公平性度量并不适用于人脸识别。只有当每个人具有相近的性能时，人脸识别系统才能被认为是公平的。因此，我们提出了一种新的评估协议，以公平地评估不同方法的公平性表现。与以往需要种族和性别等敏感属性标签来减少人口统计偏差的方法不同，我们旨在解决人脸表征中的身份偏差，即不同身份之间的性能不一致问题，而无需敏感属性标签。为此，我们提出了 MixFair 适配器来确定并减少训练样本的身份偏差。我们的大量实验表明，我们的 MixFairFace 方法在所有基准数据集上均达到了最先进的公平性表现。
引用
@article{arxiv.2211.15181,
title = {MixFairFace: Towards Ultimate Fairness via MixFair Adapter in Face Recognition},
author = {Fu-En Wang and Chien-Yi Wang and Min Sun and Shang-Hong Lai},
journal= {arXiv preprint arXiv:2211.15181},
year = {2022}
}
备注
Accepted in AAAI-23; Code: https://github.com/fuenwang/MixFairFace