論文の概要: CAT: Controllable Attribute Translation for Fair Facial Attribute Classification

• arxiv url: http://arxiv.org/abs/2209.06850v1
• Date: Wed, 14 Sep 2022 18:04:20 GMT
• ステータス: 処理完了
• システム内更新日: 2022-09-16 12:54:09.909730
• Title: CAT: Controllable Attribute Translation for Fair Facial Attribute Classification
• Title（参考訳）: CAT:Fair Facial Attribute分類のための制御可能な属性変換
• Authors: Jiazhi Li and Wael Abd-Almageed
• Abstract要約: 顔属性分類では、データセットバイアスは保護属性レベルと顔属性レベルの両方から生じる。 所望の顔属性を持つ高品質で十分な顔画像を生成するための効果的なパイプラインを提案する。 提案手法は,データセットのバイアスに対処するため,再サンプリングとバランスの取れたデータセット構築の両方に優れる。
• 参考スコア（独自算出の注目度）: 14.191129493685212
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: As the social impact of visual recognition has been under scrutiny, several protected-attribute balanced datasets emerged to address dataset bias in imbalanced datasets. However, in facial attribute classification, dataset bias stems from both protected attribute level and facial attribute level, which makes it challenging to construct a multi-attribute-level balanced real dataset. To bridge the gap, we propose an effective pipeline to generate high-quality and sufficient facial images with desired facial attributes and supplement the original dataset to be a balanced dataset at both levels, which theoretically satisfies several fairness criteria. The effectiveness of our method is verified on sex classification and facial attribute classification by yielding comparable task performance as the original dataset and further improving fairness in a comprehensive fairness evaluation with a wide range of metrics. Furthermore, our method outperforms both resampling and balanced dataset construction to address dataset bias, and debiasing models to address task bias.
• Abstract（参考訳）: 視覚認識の社会的影響が精査されている中、不均衡データセットのデータセットバイアスに対処するために、いくつかの保護分布均衡データセットが出現した。 しかし、顔属性分類では、データセットバイアスは保護属性レベルと顔属性レベルの両方に由来するため、マルチ属性レベルのバランスの取れた実データセットを構築するのが難しくなる。 このギャップを埋めるため,両レベルでバランスの取れたデータセットとして元のデータセットを補完する,高品質で十分な顔画像を生成するための効果的なパイプラインを提案する。 本手法の有効性は, 性別分類および顔属性分類において, タスク性能を本来のデータセットと同等にすることで検証し, 幅広い指標を用いた総合的公正度評価における公平性の向上を図った。 さらに,本手法は,データセットバイアスに対処するための再サンプリングとバランスの取れたデータセット構築と,タスクバイアスに対処するモデルの偏りを改善する。

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)
• Learning Decomposable and Debiased Representations via Attribute-Centric Information Bottlenecks [21.813755593742858]
  データセット内のターゲットラベルと突発的に相関するバイアス属性は、分類の不適切なショートカットを学習するニューラルネットワークに問題を引き起こす可能性がある。 本稿では,属性の合成表現を学習するための注目に基づく情報ボトルネックを導入し,新たなデバイアス化フレームワークであるデバイアスンググローバルワークスペースを提案する。 偏りのあるデータセットに対する包括的評価と定量的および定性的な分析を行い、アプローチの有効性を実証する。
  論文  参考訳（メタデータ） (2024-03-21T05:33:49Z)
• Cluster-level pseudo-labelling for source-free cross-domain facial expression recognition [94.56304526014875]
  表情認識のためのSFUDA法を提案する。 本手法は,自己教師付き事前学習を利用して,対象データから優れた特徴表現を学習する。 提案手法の有効性を4つの適応方式で検証し,FERに適用した場合,既存のSFUDA法より一貫して優れていることを示す。
  論文  参考訳（メタデータ） (2022-10-11T08:24:50Z)
• Assessing Dataset Bias in Computer Vision [0.0]
  偏見は、訓練するモデルに伝播する傾向があり、しばしば少数派ではパフォーマンスが劣る。 UTKFaceデータセットのサンプルに、アンダーサンプリング、幾何変換、可変オートエンコーダ(VAE)、生成逆ネットワーク(GAN)など、いくつかの拡張手法を適用する。 FairFaceモデルと比較して、複数のデータセット上の年齢と民族の分類において、我々のモデルが全体的なパフォーマンスと一貫性を向上できることを示しました。
  論文  参考訳（メタデータ） (2022-05-03T22:45:49Z)
• Matched sample selection with GANs for mitigating attribute confounding [30.488267816304177]
  保護属性間の属性分布のバランスのとれたフルデータセットから画像のサブセットを選択するマッチングアプローチを提案する。 私たちのマッチングアプローチでは、セマンティック属性を保存する方法で、まず実際の画像を生成ネットワークの潜在空間に投影します。 次に、選択された保護属性にまたがるこの潜在空間で敵の一致を見つけ、セマンティクスと知覚属性が保護属性間でバランスをとるデータセットを生成する。
  論文  参考訳（メタデータ） (2021-03-24T19:18:44Z)
• Fair Attribute Classification through Latent Space De-biasing [17.647146032798005]
  相関関係から生じるバイアスを緩和しながら、正確な目標分類器を訓練する手法を提案する。 我々は、GANを使って現実的な画像を生成し、これらの画像を下層の潜伏空間に摂動させ、保護された属性ごとにバランスのとれたトレーニングデータを生成する。 我々は、CelebAデータセットの複数のターゲットラベルと保護属性を網羅的に評価し、その空間における既存の文献と比較し、詳細な分析を行う。
  論文  参考訳（メタデータ） (2020-12-02T19:18:58Z)
• Causal Feature Selection for Algorithmic Fairness [61.767399505764736]
  データ管理の統合コンポーネントにおける公平性について検討する。 本稿では,データセットの公平性を保証する特徴のサブコレクションを同定する手法を提案する。
  論文  参考訳（メタデータ） (2020-06-10T20:20:10Z)
• 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)
• Data Augmentation Imbalance For Imbalanced Attribute Classification [60.71438625139922]
  本稿では,データ拡張不均衡(DAI)と呼ばれる新しい再サンプリングアルゴリズムを提案する。 我々のDAIアルゴリズムは歩行者属性のデータセットに基づいて最先端の結果を得る。
  論文  参考訳（メタデータ） (2020-04-19T20:43:29Z)
• Long-Tailed Recognition Using Class-Balanced Experts [128.73438243408393]
  本稿では,多様な分類器の強度を組み合わせたクラスバランスの専門家のアンサンブルを提案する。 私たちのクラスバランスの専門家のアンサンブルは、最先端に近い結果に到達し、長い尾の認識のための2つのベンチマークで新たな最先端のアンサンブルを確立します。
  論文  参考訳（メタデータ） (2020-04-07T20:57:44Z)

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。