理解人脸图像中不平等的性别分类精度
计算机视觉与模式识别
2018-12-04 v1 计算机与社会
机器学习
摘要
近期研究表明，在按肤色类型与性别定义的交叉群体中，商用人脸分类服务在性别分类任务上存在不平等表现。深肤色女性的精度显著差于任何其他群体。本文中，我们进行若干分析以试图揭示该差距的成因。主要发现或许令人意外：肤色类型并非驱动因素。该结论通过稳定性实验得出，实验借助色彩理论方法（即亮度模式偏移与最优传输）改变图像的肤色类型。第二个嫌疑因素——发长，亦通过剔除头发的面部图像实验被证明并非驱动因素。最后，利用针对神经网络的事后对比解释技术，我们提出证据表明不同族群在唇、眼与颊结构上的差异导致了该精度差异。此外，唇与眼妆被视作女性面孔的强预测因子，这是一种令人担忧的性别刻板印象的延续。
引用
@article{arxiv.1812.00099,
title = {Understanding Unequal Gender Classification Accuracy from Face Images},
author = {Vidya Muthukumar and Tejaswini Pedapati and Nalini Ratha and Prasanna Sattigeri and Chai-Wah Wu and Brian Kingsbury and Abhishek Kumar and Samuel Thomas and Aleksandra Mojsilovic and Kush R. Varshney},
journal= {arXiv preprint arXiv:1812.00099},
year = {2018}
}