迈向更公平的人脸识别数据集
计算机视觉与模式识别
2024-10-24 v3
摘要
人脸识别与验证是两项计算机视觉任务，其性能随着深度表征的引入而取得了进展。然而，由于人脸数据的敏感性以及真实训练数据集中的偏差，伦理、法律和技术挑战阻碍了它们的发展。生成式AI通过创建虚构身份来解决隐私问题，但公平性问题依然存在。我们通过在生成的训练数据集中引入人口统计属性平衡机制来促进公平性。我们使用一个现有的真实数据集、三个生成的训练数据集以及一个基于扩散的数据集的平衡版本进行了实验。我们提出了一个综合评估方法，该方法同等考虑准确性和公平性，并包含一个基于回归的属性严格统计分析。分析表明，平衡减少了人口统计上的不公平性。同时，尽管随着时间推移生成变得更加准确，但性能差距依然存在。所提出的平衡方法和全面的验证评估促进了更公平、更透明的人脸识别与验证。
引用
@article{arxiv.2406.16592,
title = {Toward Fairer Face Recognition Datasets},
author = {Alexandre Fournier-Montgieux and Michael Soumm and Adrian Popescu and Bertrand Luvison and Hervé Le Borgne},
journal= {arXiv preprint arXiv:2406.16592},
year = {2024}
}