面向人口学公平性的面部识别得分归一化
计算机视觉与模式识别
2024-07-23 v2
摘要
公平的生物识别算法在给定单一决策阈值后,应能在不同人口学群体之间表现出相似的验证性能。然而,对于最先进的面部识别网络,得分分布在不同人口学之间存在差异。与通过额外训练或微调来对齐这些分布的工作不同,本文仅关注得分后处理方法。我们证明了众所周知的基于样本的得分归一化技术(Z-norm 和 T-norm)并不能提高高安全运行点的公平性。因此,我们扩展标准的 Z/T-norm,将人口学信息纳入归一化。此外,我们还探讨了多种方法,用于在每个人口学的正式配对和冒充配对中融入队列相似性,以提高不同运行点之间的公平性。我们在具有不同人口学特征(性别和种族)的数据集上进行实验,表明该技术能够在不降低验证性能的前提下,整体提升五个最先进的预训练面部识别网络的公平性。我们还指出,在公平性评估中,False Match Rate (FMR) 和 False Non-Match Rate (FNMR) 的相等贡献是获得最大提升的关键。代码和协议均已公开。
引用
@article{arxiv.2407.14087,
title = {Score Normalization for Demographic Fairness in Face Recognition},
author = {Yu Linghu and Tiago de Freitas Pereira and Christophe Ecabert and Sébastien Marcel and Manuel Günther},
journal= {arXiv preprint arXiv:2407.14087},
year = {2024}
}
备注
Accepted for presentation at IJCB 2024