論文の概要: Exploring Racial Bias within Face Recognition via per-subject Adversarially-Enabled Data Augmentation

• arxiv url: http://arxiv.org/abs/2004.08945v1
• Date: Sun, 19 Apr 2020 19:46:32 GMT
• ステータス: 処理完了
• システム内更新日: 2022-12-12 00:21:54.343742
• Title: Exploring Racial Bias within Face Recognition via per-subject Adversarially-Enabled Data Augmentation
• Title（参考訳）: 物体ごとの可逆データ拡張による顔認識における顔面バイアスの探索
• Authors: Seyma Yucer, Samet Ak\c{c}ay, Noura Al-Moubayed, Toby P. Breckon
• Abstract要約: 本稿では,オブジェクト単位のデータセットバランスの実現を目的とした,新たな逆派生データ拡張手法を提案する。 我々の目的は、様々な人種領域にまたがる顔画像を変換することで、合成データセットを自動構築することである。 両面比較では,提案手法が(人種)少数集団の認識性能に与える影響が示唆された。
• 参考スコア（独自算出の注目度）: 15.924281804465252
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Whilst face recognition applications are becoming increasingly prevalent within our daily lives, leading approaches in the field still suffer from performance bias to the detriment of some racial profiles within society. In this study, we propose a novel adversarial derived data augmentation methodology that aims to enable dataset balance at a per-subject level via the use of image-to-image transformation for the transfer of sensitive racial characteristic facial features. Our aim is to automatically construct a synthesised dataset by transforming facial images across varying racial domains, while still preserving identity-related features, such that racially dependant features subsequently become irrelevant within the determination of subject identity. We construct our experiments on three significant face recognition variants: Softmax, CosFace and ArcFace loss over a common convolutional neural network backbone. In a side-by-side comparison, we show the positive impact our proposed technique can have on the recognition performance for (racial) minority groups within an originally imbalanced training dataset by reducing the pre-race variance in performance.
• Abstract（参考訳）: 顔認識の応用は私たちの日常生活でますます普及しつつあるが、この分野における主要なアプローチは、社会内の人種的プロファイルの有害さに対するパフォーマンスバイアスに悩まされている。 本研究では,敏感な人種的特徴の伝達に画像から画像への変換を応用し,サブジェクト単位のデータセットバランスを実現することを目的とした,新たな敵対的データ拡張手法を提案する。 本研究の目的は,様々な領域にまたがる顔画像の変換による合成データセットの自動構築と,それに伴う識別関連特徴の保存である。 我々は,共通の畳み込みニューラルネットワークバックボーン上でのsoftmax,cosface,arcfaceの3つの重要な顔認識型について実験を行った。 本研究では,提案手法が(人種的)少数集団に対する認識性能に与える影響を,前段階の差を減らし,非バランスなトレーニングデータセットにおける正の効果を示す。

関連論文リスト

• Toward Fairer Face Recognition Datasets [69.04239222633795]
  顔認識と検証は、ディープ表現の導入によってパフォーマンスが向上したコンピュータビジョンタスクである。 実際のトレーニングデータセットにおける顔データとバイアスのセンシティブな性格による倫理的、法的、技術的な課題は、彼らの開発を妨げる。 生成されたトレーニングデータセットに階層属性のバランス機構を導入することにより、公平性を促進する。
  論文  参考訳（メタデータ） (2024-06-24T12:33:21Z)
• Towards Inclusive Face Recognition Through Synthetic Ethnicity Alteration [11.451395489475647]
  我々は、データセットの多様性を高めるために合成顔画像生成法を用いて、民族的変化と肌のトーン修正を探索する。 まず,アジア,黒人,インディアンの3民族を表わすバランスのとれた顔画像データセットを構築し,詳細な分析を行う。 次に、既存のGAN(Generative Adversarial Network-based Image-to-image translation)と多様体学習モデルを用いて、それぞれの民族性を変化させる。
  論文  参考訳（メタデータ） (2024-05-02T13:31:09Z)
• Racial Bias within Face Recognition: A Survey [15.924281804465252]
  人種的偏見の問題は、人種定義、グループ化戦略、人種または人種関連グループ化の社会的意味から始まる。 一般的な顔認識処理パイプラインは,画像取得,顔の局所化,顔表現,顔認証,識別の4段階に分けられる。 全体的な目的は、顔認識処理パイプラインの各ステージおよび各ステージに関して、人種的バイアス問題に関する包括的なカバレッジを提供することである。
  論文  参考訳（メタデータ） (2023-05-01T13:33:12Z)
• The Impact of Racial Distribution in Training Data on Face Recognition Bias: A Closer Look [0.0]
  トレーニングデータにおける人種分布が顔認識モデルの性能に及ぼす影響について検討する。 精度メトリクス、クラスタリングメトリクス、UMAPプロジェクション、顔の品質、決定しきい値を用いて、これらのトレーニングされたモデルを解析する。
  論文  参考訳（メタデータ） (2022-11-26T07:03:24Z)
• CIAO! A Contrastive Adaptation Mechanism for Non-Universal Facial Expression Recognition [80.07590100872548]
  本稿では、顔エンコーダの最後の層に異なるデータセットの特定の感情特性を適応させるメカニズムであるContrastive Inhibitory Adaptati On(CIAO)を提案する。 CIAOは、非常にユニークな感情表現を持つ6つの異なるデータセットに対して、表情認識性能が改善されている。
  論文  参考訳（メタデータ） (2022-08-10T15:46:05Z)
• Towards Intrinsic Common Discriminative Features Learning for Face Forgery Detection using Adversarial Learning [59.548960057358435]
  本稿では, 対人学習を利用して, 異なる偽造法と顔の同一性による負の効果を除去する手法を提案する。 我々の顔偽造検出モデルは、偽造法や顔の同一性の影響を排除し、共通の識別的特徴を抽出することを学ぶ。
  論文  参考訳（メタデータ） (2022-07-08T09:23:59Z)
• Meta Balanced Network for Fair Face Recognition [51.813457201437195]
  我々は、データとアルゴリズムの両方の側面からバイアスを体系的に科学的に研究する。 本稿では,メタバランスネットワーク(MBN)と呼ばれるメタ学習アルゴリズムを提案する。 大規模な実験により、MBNは偏見を緩和し、顔認識において異なる肌のトーンを持つ人々に対してよりバランスの取れたパフォーマンスを学ぶことができた。
  論文  参考訳（メタデータ） (2022-05-13T10:25:44Z)
• Learning Fair Face Representation With Progressive Cross Transformer [79.73754444296213]
  フェアフェイス認識のためのプログレッシブクロストランス (PCT) 手法を提案する。 我々は,PCTが最先端FR性能を達成しつつ,顔認識におけるバイアスを軽減することができることを示した。
  論文  参考訳（メタデータ） (2021-08-11T01:31:14Z)
• Enhancing Facial Data Diversity with Style-based Face Aging [59.984134070735934]
  特に、顔データセットは、通常、性別、年齢、人種などの属性の観点からバイアスされる。 本稿では, 細粒度の老化パターンをキャプチャするデータ拡張のための, 生成スタイルに基づく新しいアーキテクチャを提案する。 提案手法は, 年齢移動のための最先端アルゴリズムよりも優れていることを示す。
  論文  参考訳（メタデータ） (2020-06-06T21:53:44Z)
• Asymmetric Rejection Loss for Fairer Face Recognition [1.52292571922932]
  訓練データセットの人種的不均衡により、異なる民族集団間での顔認識性能の違いが示されている。 これは実際には、顔のデータセットが通常収集されるセロブドムにおける非コーカサス民族集団の下位表現にシンプトマティックである。 本研究は,非表示群をフル活用することを目的とした非対称リジェクションロスを提案する。
  論文  参考訳（メタデータ） (2020-02-09T04:01:03Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。