論文の概要: Face Recognition Accuracy Across Demographics: Shining a Light Into the
Problem
- arxiv url: http://arxiv.org/abs/2206.01881v2
- Date: Sun, 16 Apr 2023 14:43:00 GMT
- ステータス: 処理完了
- システム内更新日: 2023-04-19 00:43:41.874233
- Title: Face Recognition Accuracy Across Demographics: Shining a Light Into the
Problem
- Title（参考訳）: 顔認識の精度をデモグラフィックで見る: 問題に光を当てる
- Authors: Haiyu Wu, V\'itor Albiero, K. S. Krishnapriya, Michael C. King, Kevin
W. Bowyer
- Abstract要約: 顔の照明の違いによって生じる現象として,人口集団間で異なる顔認識精度について検討した。
両顔の偽像対は偽一致率(FMR)が増大していることが示される。
顔の明るさの変動を計測し、低すぎるか高すぎる顔の明るさが、顔領域の情報を減少させることを示すために、輝度情報メトリクスを提案する。
- 参考スコア（独自算出の注目度）: 8.02620277513497
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: We explore varying face recognition accuracy across demographic groups as a
phenomenon partly caused by differences in face illumination. We observe that
for a common operational scenario with controlled image acquisition, there is a
large difference in face region brightness between African-American and
Caucasian, and also a smaller difference between male and female. We show that
impostor image pairs with both faces under-exposed, or both overexposed, have
an increased false match rate (FMR). Conversely, image pairs with strongly
different face brightness have a decreased similarity measure. We propose a
brightness information metric to measure variation in brightness in the face
and show that face brightness that is too low or too high has reduced
information in the face region, providing a cause for the lower accuracy. Based
on this, for operational scenarios with controlled image acquisition,
illumination should be adjusted for each individual to obtain appropriate face
image brightness. This is the first work that we are aware of to explore how
the level of brightness of the skin region in a pair of face images (rather
than a single image) impacts face recognition accuracy, and to evaluate this as
a systematic factor causing unequal accuracy across demographics. The code is
at https://github.com/HaiyuWu/FaceBrightness.
- Abstract（参考訳）: 顔の照明の違いによる現象として,人口集団間での顔認識精度の変化を考察する。
制御された画像取得を伴う共通の運用シナリオでは、アフリカ系アメリカ人と白人の間で顔領域の明るさに大きな差があり、男性と女性の差も小さいことが観察される。
両顔に過剰に露出したインポスタイメージペアは,偽一致率(FMR)が増大していることが示唆された。
逆に、顔の明るさが強く異なる画像対は類似度尺度が減少する。
本研究では,顔の明るさの変動を計測するための輝度情報指標を提案し,顔の明るさが低すぎるか高すぎるかが,顔領域の情報が少ないことを示し,精度の低下の原因となった。
これに基づいて、制御された画像取得を伴う運用シナリオでは、各個人が適切な顔画像輝度を得るために照明を調整する必要がある。
これは、一対の顔画像(単一の画像ではなく)における皮膚領域の明るさが、顔認識精度にどのように影響するかを探求し、人口統計学的に不平等な正確さをもたらす体系的要因として評価する最初の研究である。
コードはhttps://github.com/HaiyuWu/FaceBrightnessにある。
関連論文リスト
- LightFFDNets: Lightweight Convolutional Neural Networks for Rapid Facial Forgery Detection [0.0]
本研究では,Fake-Vs-Real-Faces [10]と140k Real and Fake Faces [61]データセットを用いた画像処理による偽造検出に焦点を当てた。
これらの画像を用いて偽造検出を行うために,2つの軽量ディープラーニングモデルを提案する。
提案した軽量ディープラーニングモデルは,顔画像の偽造を正確に,かつ効率的に検出できることが示されている。
論文 参考訳（メタデータ） (2024-11-18T18:44:10Z) - Self-Supervised Facial Representation Learning with Facial Region
Awareness [13.06996608324306]
自己教師付き事前学習は、様々な視覚的タスクに役立つ伝達可能な表現を学習するのに有効であることが証明されている。
この目標に向けての最近の取り組みは、各顔画像を全体として扱うことに限定されている。
本研究では,一貫したグローバルおよびローカルな顔表現を学習するための,自己教師型顔表現学習フレームワークを提案する。
論文 参考訳（メタデータ） (2024-03-04T15:48:56Z) - Human-Machine Comparison for Cross-Race Face Verification: Race Bias at
the Upper Limits of Performance? [0.7036032466145111]
顔認識アルゴリズムは、一部のケースでは人間よりも精度が高いが、人間と機械はどちらも人種ベースの精度の違いを示している。
我々は「クロスレース」顔認証の挑戦的なテストを構築し、人間と最先端の顔認識システム2つを比較した。
我々は,黒と白の2つの顔画像間の身元確認のための最先端のシステムが一般人口を上回ることができると結論付けた。
論文 参考訳（メタデータ） (2023-05-25T19:41:13Z) - Exploring Causes of Demographic Variations In Face Recognition Accuracy [10.534382915377025]
我々は,1対1の顔マッチングにおいて,非メイト(インポスタ)と/または交配(ジェヌイン)のばらつきによって,精度の違いが表されると考えている。
調査された原因には、皮膚のトーンの違い、顔のサイズと形状の違い、トレーニングデータにおける身元と画像の数の不均衡、テストデータで見える顔の量などが含まれる。
論文 参考訳（メタデータ） (2023-04-14T14:50:59Z) - Towards Racially Unbiased Skin Tone Estimation via Scene Disambiguation [48.632358823108326]
仮想顔アバターは、没入型コミュニケーション、ゲーム、メタバースにおいてますます重要な役割を果たす。
仮想顔アバターは、没入型コミュニケーション、ゲーム、メタバースにおいてますます重要な役割を果たす。
これは年齢、性別、民族に関係なく、アルベドで表される外観の正確な回復を必要とする。
論文 参考訳（メタデータ） (2022-05-08T22:01:30Z) - AdaFace: Quality Adaptive Margin for Face Recognition [56.99208144386127]
本稿では、損失関数、すなわち画像品質における適応性の別の側面を紹介する。
そこで本稿では,画像品質に基づいて異なる難易度を示す新たな損失関数を提案する。
提案手法は,4つのデータセット上でのSoTA(State-of-the-art)による顔認識性能を向上させる。
論文 参考訳（メタデータ） (2022-04-03T01:23:41Z) - I Only Have Eyes for You: The Impact of Masks On Convolutional-Based
Facial Expression Recognition [78.07239208222599]
今回提案したFaceChannelがマスクを持つ人からの表情認識にどのように適応するかを評価します。
また、制約された社会的相互作用シナリオにおける顔の特徴の変化を学習し、組み合わせるためのFaceChannelの本質的な能力を示すために、特定の機能レベルの可視化も行います。
論文 参考訳（メタデータ） (2021-04-16T20:03:30Z) - Facial Manipulation Detection Based on the Color Distribution Analysis
in Edge Region [0.5735035463793008]
操作画像におけるエッジの垂直領域の色分布解析に基づく、一般化された、ロバストな顔操作検出手法を提案する。
本手法は, 各種データセットにおける合成顔画像の検出において, トレーニングに係わるか否かに関わらず, 既存の顔画像検出方法よりも優れていることを示す。
論文 参考訳（メタデータ） (2021-02-02T08:19:35Z) - Facial Expressions as a Vulnerability in Face Recognition [73.85525896663371]
本研究では,顔認識システムのセキュリティ脆弱性としての表情バイアスについて検討する。
本稿では,表情バイアスが顔認識技術の性能に与える影響を包括的に分析する。
論文 参考訳（メタデータ） (2020-11-17T18:12:41Z) - Age Gap Reducer-GAN for Recognizing Age-Separated Faces [72.26969872180841]
本稿では,年齢変化に伴う顔と時間変化をマッチングする新しいアルゴリズムを提案する。
提案手法は,顔の年齢推定と年齢別顔の検証を組み合わせた統合フレームワークである。
論文 参考訳（メタデータ） (2020-11-11T16:43:32Z) - Dual-Attention GAN for Large-Pose Face Frontalization [59.689836951934694]
本稿では,フォトリアリスティック顔フロンダル化のためのDA-GAN(Dual-Attention Generative Adversarial Network)を提案する。
具体的には、ローカル機能と長距離依存関係を統合するために、自己アテンションベースのジェネレータが導入された。
顔領域の局所的特徴を強調するために,新しい顔認識に基づく識別器を適用した。
論文 参考訳（メタデータ） (2020-02-17T20:00:56Z)
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。