利用公平分数归一化在人脸识别中缓解比较后的人口统计偏差
计算机视觉与模式识别
2020-11-06 v3
摘要
当前人脸识别系统在多项基准测试中取得重大进展。尽管有此进展，近期工作表明这些系统对人口统计子群存在严重偏差。因此，需要一种易于集成的方案来降低这些有偏系统的歧视性影响。以往工作主要关注学习较少偏差的人脸表征，其代价是整体识别性能严重下降。本文中，我们提出一种新颖的无监督公平分数归一化方法，专门设计用于减少人脸识别中的偏差影响，并随之带来显著的整体性能提升。我们的假设建立在个体公平性的概念上，通过设计一种使相似个体得到相似对待的归一化方法。实验在三个公开可用、分别于受控与真实场景下采集的数据集上进行。结果表明，我们的方案降低了人口统计偏差，例如在考虑性别时降低幅度达 82.7%。此外，它比已有工作更一致地缓解偏差。与以往工作不同，我们的公平归一化方法在错误匹配率 0.001 时整体性能提升达 53.2%，在错误匹配率 0.00001 时达 82.9%。并且，它易于集成到现有识别系统中，且不限于人脸生物特征识别。
引用
@article{arxiv.2002.03592,
title = {Post-Comparison Mitigation of Demographic Bias in Face Recognition Using Fair Score Normalization},
author = {Philipp Terhörst and Jan Niklas Kolf and Naser Damer and Florian Kirchbuchner and Arjan Kuijper},
journal= {arXiv preprint arXiv:2002.03592},
year = {2020}
}
备注
Accepted in Pattern Recognition Letters