反思常见假设以缓解人脸识别数据集中的种族偏差
计算机视觉与模式识别
2021-10-06 v4
摘要
许多现有工作在减少人脸识别中的种族偏差方面取得了重大进展。然而，这些方法大多试图纠正训练期间模型中表现的偏差，而非直接解决偏差的一个主要来源——数据集本身。例外情况是 BUPT-Balancedface/RFW 和 Fairface，但这些工作假设主要以单一种族训练或未对数据集进行种族平衡 inherently 不利。我们证明这些假设未必成立。在我们的实验中，仅以非洲人脸训练所诱导的偏差小于以均衡人脸分布训练，且偏向包含更多非洲人脸的分布产生了更公平的模型。我们还注意到，向数据集中添加现有身份更多图像而非添加新身份，可带来跨种族类别的准确率提升。我们的代码可在 https://github.com/j-alex-hanson/rethinking-race-face-datasets 获取。
引用
@article{arxiv.2109.03229,
title = {Rethinking Common Assumptions to Mitigate Racial Bias in Face Recognition Datasets},
author = {Matthew Gwilliam and Srinidhi Hegde and Lade Tinubu and Alex Hanson},
journal= {arXiv preprint arXiv:2109.03229},
year = {2021}
}
备注
Accepted as an oral paper to the Human-centric Trustworthy Computer Vision (HTCV 2021) workshop at ICCV 2021; 17 pages, 9 figures, 6 tables