量化种族与性别特征在商业人脸识别算法中确定身份的程度
计算机视觉与模式识别
2020-10-19 v1
摘要
人脸特征可用于确定个人身份以及性别和种族等人口统计信息。然而，尽管政府和行业部署日益增多，黑盒商业人脸识别算法（CFRA）在多大程度上利用性别和种族特征来确定身份仍知之甚少。在本研究中，我们量化了性别和种族特征对不同人之间（即非配对分数）人脸识别相似度分数的影响程度。我们使用五种不同的CFRA和333名多样化受试者的样本进行了本研究。作为对照，我们将这些非配对分布的行为与商业虹膜识别算法（CIRA）进行了比较。证实了先前的工作，所有CFRA对相同性别和种族的人产生更高的相似度分数，这种效应被称为“广泛同质性”。CIRA未观察到此种效应。接下来，我们将主成分分析（PCA）应用于相似度分数矩阵。我们表明，CFRA的某些主成分（PC）按性别和种族对人进行聚类，但大多数并非如此。PC中的人口统计聚类仅占CFRA总分方差的10%。CIRA未观察到聚类。这表明，尽管CFRA使用一些性别和种族特征来建立身份，但当前CFRA利用的大多数特征与性别和种族无关，类似于CIRA利用的虹膜纹理模式。最后，仅使用未显示人口统计聚类的PC重建相似度分数矩阵降低了广泛同质性效应，但也减少了配对与非配对分数之间的分离。这表明CFRA有可能在独立于性别和种族的特征上运行，尽管识别精度有所降低，但这并非当前的商业做法。
引用
@article{arxiv.2010.07979,
title = {Quantifying the Extent to Which Race and Gender Features Determine Identity in Commercial Face Recognition Algorithms},
author = {John J. Howard and Yevgeniy B. Sirotin and Jerry L. Tipton and Arun R. Vemury},
journal= {arXiv preprint arXiv:2010.07979},
year = {2020}
}
备注
8 pages, 6 figures