迈向性别中立的人脸描述符以缓解人脸识别中的偏差
计算机视觉与模式识别
2020-09-18 v2
摘要
当前最先进的深度网络在针对人脸识别进行训练时，会隐式地编码性别信息。性别通常被视为识别人脸的一个重要属性。然而，人脸描述符中隐式编码的性别信息存在两个主要问题：(a) 这使得描述符容易遭受隐私泄露，即恶意代理可以被训练来从此类描述符中预测人脸性别。(b) 这似乎加剧了人脸识别中的性别偏差，即我们发现深度卷积神经网络在男性和女性人脸上的识别准确率存在显著差异。因此，我们提出了一种新颖的“对抗性性别去偏算法（AGENDA）”，以减少从先前训练好的人脸识别网络中获得的人脸描述符中存在的性别信息。我们证明，AGENDA 显著降低了人脸描述符的性别可预测性。因此，我们也能够在保持合理识别性能的同时，减少人脸验证中的性别偏差。
引用
@article{arxiv.2006.07845,
title = {Towards Gender-Neutral Face Descriptors for Mitigating Bias in Face Recognition},
author = {Prithviraj Dhar and Joshua Gleason and Hossein Souri and Carlos D. Castillo and Rama Chellappa},
journal= {arXiv preprint arXiv:2006.07845},
year = {2020}
}
备注
Under submission