論文の概要: Explaining Bias in Deep Face Recognition via Image Characteristics
- arxiv url: http://arxiv.org/abs/2208.11099v1
- Date: Tue, 23 Aug 2022 17:18:23 GMT
- ステータス: 処理完了
- システム内更新日: 2022-08-24 13:31:55.846430
- Title: Explaining Bias in Deep Face Recognition via Image Characteristics
- Title（参考訳）: 画像特徴を用いた深部顔認識におけるバイアスの説明
- Authors: Andrea Atzori, Gianni Fenu, Mirko Marras
- Abstract要約: 2つのデータセットのセキュリティとユーザビリティの観点から,10種類の最先端の顔認識モデルを評価し,その妥当性を比較した。
次に,画像特性がモデル性能に与える影響を解析する。
- 参考スコア（独自算出の注目度）: 9.569575076277523
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: In this paper, we propose a novel explanatory framework aimed to provide a
better understanding of how face recognition models perform as the underlying
data characteristics (protected attributes: gender, ethnicity, age;
non-protected attributes: facial hair, makeup, accessories, face orientation
and occlusion, image distortion, emotions) on which they are tested change.
With our framework, we evaluate ten state-of-the-art face recognition models,
comparing their fairness in terms of security and usability on two data sets,
involving six groups based on gender and ethnicity. We then analyze the impact
of image characteristics on models performance. Our results show that trends
appearing in a single-attribute analysis disappear or reverse when
multi-attribute groups are considered, and that performance disparities are
also related to non-protected attributes. Source code: https://cutt.ly/2XwRLiA.
- Abstract（参考訳）: 本稿では, 顔認証モデルが基礎となるデータ特性(性別, 民族, 年齢, 非保護属性, 顔の毛髪, 化粧品, 顔の向きとオクルージョン, イメージの歪み, 感情など)としてどのように機能するかを, より深く理解することを目的とした, 説明的枠組みを提案する。
本フレームワークでは,性別と民族性に基づく6つのグループを含む2つのデータセットのセキュリティとユーザビリティの観点から,10種類の最先端の顔認識モデルを評価する。
次に,画像特性がモデル性能に与える影響を分析する。
その結果,複数属性群が考慮された場合,単一属性分析に現れる傾向は消失または逆転し,性能格差は非保護属性にも関連していることがわかった。
ソースコード: https://cutt.ly/2xwrlia。
関連論文リスト
- Bias and Diversity in Synthetic-based Face Recognition [12.408456748469426]
合成顔認証データセットの多様性が、真正なデータセットとどのように比較されるかを検討する。
性別、民族、年齢、地位の分布に注目します。
バイアスに関しては、合成ベースモデルが真ベースモデルと類似したバイアス挙動を持っていることが分かる。
論文 参考訳（メタデータ） (2023-11-07T13:12:34Z) - Improving Fairness using Vision-Language Driven Image Augmentation [60.428157003498995]
公平性は、特に顔領域において、ディープラーニングの識別モデルを訓練する際に重要である。
モデルは、特定の特性(年齢や肌の色など)と無関係な属性(下流タスク)を関連付ける傾向がある
本稿では,これらの相関を緩和し,公平性を向上する手法を提案する。
論文 参考訳（メタデータ） (2023-11-02T19:51:10Z) - FACET: Fairness in Computer Vision Evaluation Benchmark [21.862644380063756]
コンピュータビジョンモデルは、性別や肌のトーンなどの属性間でパフォーマンスの相違が知られている。
FACET (FAirness in Computer Vision EvaluaTion) という新しいベンチマークを提案する。
FACETは、最も一般的な視覚タスクのための32kイメージの大規模な、一般公開された評価セットである。
論文 参考訳（メタデータ） (2023-08-31T17:59:48Z) - 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) - TransFA: Transformer-based Representation for Face Attribute Evaluation [87.09529826340304]
我々はtextbfTransFA を用いたtextbfattribute 評価のための新しい textbf Transformer 表現を提案する。
提案するTransFAは,最先端手法と比較して優れた性能を示す。
論文 参考訳（メタデータ） (2022-07-12T10:58:06Z) - 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) - Measuring Hidden Bias within Face Recognition via Racial Phenotypes [21.74534280021516]
本研究は、顔認識のための顔表現型属性を用いた、代替的な人種的偏見分析手法を提案する。
顔認識タスクにおける属性の個人的影響を調べるための分類的テストケースを提案する。
論文 参考訳（メタデータ） (2021-10-19T10:46:59Z) - SynFace: Face Recognition with Synthetic Data [83.15838126703719]
我々は、ID混在(IM)とドメイン混在(DM)を併用したSynFaceを考案し、パフォーマンスギャップを緩和する。
また、合成顔画像の系統的実験分析を行い、合成データを顔認識に効果的に活用する方法についての知見を提供する。
論文 参考訳（メタデータ） (2021-08-18T03:41:54Z) - 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) - Faces in the Wild: Efficient Gender Recognition in Surveillance
Conditions [0.0]
我々は、よく知られた3つの監視データセットのフロントとワイルドフェース版を提示する。
本研究では,自然環境下での性別認識に適した顔情報と身体情報を効果的に動的に組み合わせたモデルを提案する。
本モデルでは,学習可能な融合行列とチャネル・アテンション・サブネットワークを介して顔と身体の情報を組み合わせる。
論文 参考訳（メタデータ） (2021-07-14T17:02:23Z) - Face Age Progression With Attribute Manipulation [11.859913430860335]
FAWAM (Face Age Progression with Attribute Manipulation) を提唱する。
タスクをボトムアップ方式で,顔年齢の進行と顔属性の操作という2つのサブモジュールとして扱う。
顔の老化には、年齢に応じた顔の変化をモデル化できるピラミッド生成対向ネットワークを備えた属性意識型顔の老化モデルを用いる。
論文 参考訳（メタデータ） (2021-06-14T18:26:48Z)
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。