論文の概要: Investigating Bias in Deep Face Analysis: The KANFace Dataset and Empirical Study

• arxiv url: http://arxiv.org/abs/2005.07302v2
• Date: Wed, 9 Sep 2020 02:00:26 GMT
• ステータス: 処理完了
• システム内更新日: 2022-12-02 23:20:42.566420
• Title: Investigating Bias in Deep Face Analysis: The KANFace Dataset and Empirical Study
• Title（参考訳）: ディープフェイス分析におけるバイアスの調査:KanFaceデータセットと実証的研究
• Authors: Markos Georgopoulos, Yannis Panagakis, Maja Pantic
• Abstract要約: 現在までに最も包括的で大規模な顔画像とビデオのデータセットを導入している。 データは、アイデンティティ、正確な年齢、性別、親族関係の点で手動で注釈付けされる。 提案したベンチマークでネットワーク埋め込みをデバイアス化する手法を導入し,テストした。
• 参考スコア（独自算出の注目度）: 67.3961439193994
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Deep learning-based methods have pushed the limits of the state-of-the-art in face analysis. However, despite their success, these models have raised concerns regarding their bias towards certain demographics. This bias is inflicted both by limited diversity across demographics in the training set, as well as the design of the algorithms. In this work, we investigate the demographic bias of deep learning models in face recognition, age estimation, gender recognition and kinship verification. To this end, we introduce the most comprehensive, large-scale dataset of facial images and videos to date. It consists of 40K still images and 44K sequences (14.5M video frames in total) captured in unconstrained, real-world conditions from 1,045 subjects. The data are manually annotated in terms of identity, exact age, gender and kinship. The performance of state-of-the-art models is scrutinized and demographic bias is exposed by conducting a series of experiments. Lastly, a method to debias network embeddings is introduced and tested on the proposed benchmarks.
• Abstract（参考訳）: ディープラーニングに基づく手法は、顔分析における最先端の限界を押し上げている。 しかし、その成功にもかかわらず、これらのモデルは特定の人口層に対する偏見を懸念している。 このバイアスは、トレーニングセットの人口統計学的に限定された多様性とアルゴリズムの設計の両方によって与えられる。 本研究では,顔認識,年齢推定,性別認識,親族検証における深層学習モデルの人口統計バイアスについて検討する。 この目的のために、これまでで最も包括的で大規模な顔画像とビデオのデータセットを紹介します。 40Kの静止画と44Kのシーケンス(合計14.5Mのビデオフレーム)で構成され、1,045人の被験者から、制約のない現実世界の条件下で撮影された。 データは、アイデンティティ、正確な年齢、性別、親族関係の点で手動で注釈付けされる。 最先端モデルの性能は精査され、一連の実験によって人口統計バイアスが暴露される。 最後に,提案するベンチマークでネットワーク組込みをデバイアスする手法を紹介し,テストを行った。

関連論文リスト

• Are Commercial Face Detection Models as Biased as Academic Models? [64.71318433419636]
  我々は学術的および商業的な顔検出システムを比較し、特にノイズに対する堅牢性について検討する。 現状の学術的顔検出モデルでは、ノイズの頑健性に人口格差があることがわかった。 私たちは、商用モデルは、常に学術モデルと同じくらいの偏り、あるいはより偏りがある、と結論付けます。
  論文  参考訳（メタデータ） (2022-01-25T02:21:42Z)
• Unravelling the Effect of Image Distortions for Biased Prediction of Pre-trained Face Recognition Models [86.79402670904338]
  画像歪みの存在下での4つの最先端深層顔認識モデルの性能評価を行った。 我々は、画像歪みが、異なるサブグループ間でのモデルの性能ギャップと関係していることを観察した。
  論文  参考訳（メタデータ） (2021-08-14T16:49:05Z)
• FP-Age: Leveraging Face Parsing Attention for Facial Age Estimation in the Wild [50.8865921538953]
  年齢推定に顔のセマンティクスを明示的に組み込む手法を提案する。 我々は,顔解析に基づくネットワークを設計し,異なるスケールで意味情報を学習する。 提案手法は,既存の年齢推定手法を常に上回っていることを示す。
  論文  参考訳（メタデータ） (2021-06-21T14:31:32Z)
• Towards measuring fairness in AI: the Casual Conversations dataset [9.246092246471955]
  私たちのデータセットは3,011人の被験者で構成されており、45,000以上のビデオがあり、1人あたり平均15本のビデオがある。 ビデオはアメリカの複数の州で撮影され、年齢、性別、肌の色など様々な種類の成人が撮影された。
  論文  参考訳（メタデータ） (2021-04-06T22:48:22Z)
• Balancing Biases and Preserving Privacy on Balanced Faces in the Wild [50.915684171879036]
  現在の顔認識(FR)モデルには、人口統計バイアスが存在する。 さまざまな民族と性別のサブグループにまたがる偏見を測定するために、我々のバランス・フェイススをWildデータセットに導入します。 真偽と偽のサンプルペアを区別するために1点のスコアしきい値に依存すると、最適以下の結果が得られます。 本稿では,最先端ニューラルネットワークから抽出した顔特徴を用いたドメイン適応学習手法を提案する。
  論文  参考訳（メタデータ） (2021-03-16T15:05:49Z)
• FairFace Challenge at ECCV 2020: Analyzing Bias in Face Recognition [26.49981022316179]
  この課題の目的は、提出されたアルゴリズムの性別と肌の色における正確さと偏りを評価することである。 データセットはバランスが取れていないため、公正な結果を示すAIベースのモデルがトレーニングされ、不均衡なデータに基づいて評価される、現実のシナリオをシミュレートする。 上位10チームの分析では、暗い肌の色を持つ女性の偽陽性率(偽陰性率)が高かった。
  論文  参考訳（メタデータ） (2020-09-16T17:56:22Z)
• InsideBias: Measuring Bias in Deep Networks and Application to Face Gender Biometrics [73.85525896663371]
  この研究は、ディープニューラルネットワークアーキテクチャに基づく学習プロセスのバイアスについて検討する。 一般的なディープニューラルネットワークに基づく2つの性別検出モデルを採用している。 バイアスモデルを検出する新しい手法であるInsideBiasを提案する。
  論文  参考訳（メタデータ） (2020-04-14T15:20:50Z)

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。