真实场景中的种族人脸：通过信息最大化自适应网络降低种族偏差
计算机视觉与模式识别
2021-04-07 v2
摘要
种族偏差是生物特征识别中的一个重要问题，但在深度人脸识别中尚未被充分研究。本文首先贡献了一个专用数据集——真实场景种族人脸（RFW）数据库，并在其上严谨验证了四个商业API与四个最先进（SOTA）算法的种族偏差。随后，我们进一步利用深度无监督域自适应提出解决方案，并提出了深度信息最大化自适应网络（IMAN），以高加索人种为源域、其他人种为目标域来缓解该偏差。该无监督方法同时在域层面对齐全局分布以减小种族鸿沟，并在簇层面学习有判别力的目标表示。我们提出了一种新颖的互信息损失，以在无标签信息情况下进一步增强网络输出的判别能力。在RFW、GBU和IJB-A数据库上的大量实验表明，IMAN成功学习了在不同种族与不同数据库间均具良好泛化能力的特征。
引用
@article{arxiv.1812.00194,
title = {Racial Faces in-the-Wild: Reducing Racial Bias by Information Maximization Adaptation Network},
author = {Mei Wang and Weihong Deng and Jiani Hu and Xunqiang Tao and Yaohai Huang},
journal= {arXiv preprint arXiv:1812.00194},
year = {2021}
}