論文の概要: Logical Consistency and Greater Descriptive Power for Facial Hair
Attribute Learning
- arxiv url: http://arxiv.org/abs/2302.11102v2
- Date: Sun, 16 Apr 2023 14:04:19 GMT
- ステータス: 処理完了
- システム内更新日: 2023-04-18 20:52:50.157900
- Title: Logical Consistency and Greater Descriptive Power for Facial Hair
Attribute Learning
- Title(参考訳): 顔の毛髪属性学習のための論理的一貫性と記述力
- Authors: Haiyu Wu, Grace Bezold, Aman Bhatta, Kevin W. Bowyer
- Abstract要約: 顔の毛髪属性分類における従来の分類法のテスト精度は,分類の論理的整合性を強制すれば著しく低下することを示した。
顔の毛髪が顔の認識精度にどう影響するかを検討する。
その結果, 顔の髪型の違いと類似性は, 顔の認識におけるインポスタ, 真の得点分布に重要な影響を及ぼすことがわかった。
- 参考スコア(独自算出の注目度): 6.244634329290045
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Face attribute research has so far used only simple binary attributes for
facial hair; e.g., beard / no beard. We have created a new, more descriptive
facial hair annotation scheme and applied it to create a new facial hair
attribute dataset, FH37K. Face attribute research also so far has not dealt
with logical consistency and completeness. For example, in prior research, an
image might be classified as both having no beard and also having a goatee (a
type of beard). We show that the test accuracy of previous classification
methods on facial hair attribute classification drops significantly if logical
consistency of classifications is enforced. We propose a logically consistent
prediction loss, LCPLoss, to aid learning of logical consistency across
attributes, and also a label compensation training strategy to eliminate the
problem of no positive prediction across a set of related attributes. Using an
attribute classifier trained on FH37K, we investigate how facial hair affects
face recognition accuracy, including variation across demographics. Results
show that similarity and difference in facial hairstyle have important effects
on the impostor and genuine score distributions in face recognition. The code
is at https:// github.com/ HaiyuWu/ LogicalConsistency.
- Abstract(参考訳): 顔属性の研究は、これまで顔の毛髪の単純な二分属性のみを使用してきた。
我々は、新しい、より記述的な顔の毛髪アノテーションスキームを作成し、新しい顔の毛髪属性データセットFH37Kを作成しました。
顔属性の研究は、論理的な一貫性と完全性も扱っていない。
例えば、以前の研究では、画像はひげのないものとヤギひげ(あごひげの一種)を持つものの両方に分類される。
顔毛属性分類における従来の分類法の検査精度は,分類の論理的一貫性を強制すると有意に低下することが示された。
本稿では,属性間の論理整合性の学習を支援する論理一貫性予測損失lcplossと,関連する属性群間での正の予測を不要にするラベル補償トレーニング戦略を提案する。
FH37Kで訓練された属性分類器を用いて,顔の毛髪が顔の認識精度にどう影響するかを検討した。
その結果, 顔の髪型の違いと類似性は, 顔認識におけるインポスタ, 真の得点分布に重要な影響を及ぼすことがわかった。
コードはhttps:// github.com/ HaiyuWu/ LogicalConsistencyにある。
関連論文リスト
- FineFACE: Fair Facial Attribute Classification Leveraging Fine-grained Features [3.9440964696313485]
自動的な顔属性分類アルゴリズムでは、人口統計バイアスの存在が強調されている。
既存のバイアス緩和技術は、一般に人口統計学的なアノテーションを必要とし、しばしば公正性と正確性の間のトレードオフを得る。
そこで本稿では, 顔属性の公平な分類法を, きめ細かな分類問題とみなして提案する。
論文 参考訳(メタデータ) (2024-08-29T20:08:22Z) - Can the accuracy bias by facial hairstyle be reduced through balancing the training data? [7.052533066597702]
トレーニングセットが大きくなると、すべての顔の毛髪の認識精度が向上するが、トレーニングセットのサイズに関わらず、顔の毛髪の毛髪が引き起こされる精度の変動が持続することを示す。
以上の結果から, 顔の毛髪は, クリーニングヘア画像と顔の毛髪画像の精度のギャップを生じさせ, この影響はアフリカ系アメリカ人とコーカサス人の間で大きく異なる可能性が示唆された。
論文 参考訳(メタデータ) (2024-05-30T13:50:39Z) - Beard Segmentation and Recognition Bias [0.6874745415692133]
ひげの存在や大きさなどの人の顔の髪型は、顔認識の精度に大きな影響を及ぼす可能性がある。
分類モデルを訓練し、その精度をアフリカ系アメリカ人とコーカサス人の顔画像間で評価する。
顔の髪型が異なる画像対のFalse Match Rate(FMR)は、アフリカ系アメリカ人男性では10以上、コーカサス男性では25以上である。
論文 参考訳(メタデータ) (2023-08-30T03:35:55Z) - MixFairFace: Towards Ultimate Fairness via MixFair Adapter in Face
Recognition [37.756287362799945]
属性に基づくフェアネス尺度は顔認識には適さないと我々は主張する。
本稿では,異なるアプローチの公平性を評価するための新しい評価プロトコルを提案する。
私たちのMixFairFaceアプローチは、すべてのベンチマークデータセットで最先端のフェアネスパフォーマンスを実現しています。
論文 参考訳(メタデータ) (2022-11-28T09:47:21Z) - Are Face Detection Models Biased? [69.68854430664399]
顔領域の局所化による顔検出領域のバイアスについて検討した。
既存の顔検出データセットの多くは、このような分析に適したアノテーションを欠いている。
性別や肌の音色による検出精度の相違を観察し, 画像診断以外の要因の相互関係を考察した。
論文 参考訳(メタデータ) (2022-11-07T14:27:55Z) - Explaining Bias in Deep Face Recognition via Image Characteristics [9.569575076277523]
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。
論文 参考訳(メタデータ) (2022-08-23T17:18:23Z) - 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) - PASS: Protected Attribute Suppression System for Mitigating Bias in Face
Recognition [55.858374644761525]
顔認識ネットワークは、識別分類のために訓練されている間、機密属性に関する情報を符号化する。
既存のバイアス緩和アプローチでは、エンドツーエンドのトレーニングが必要であり、高い精度を達成できない。
PASS(Protected Attribute Suppression System)と呼ばれる記述子に基づく逆バイアス除去手法を提案する。
パスは、以前に訓練されたハイパフォーマンスネットワークから得られた記述子を使って、アイデンティティを分類し、機密属性のエンコーディングを同時に削減することができる。
論文 参考訳(メタデータ) (2021-08-09T00:39:22Z) - Towards Gender-Neutral Face Descriptors for Mitigating Bias in Face
Recognition [51.856693288834975]
最先端のディープネットワークは、顔認識のために訓練されている間、性別情報を暗黙的にエンコードする。
ジェンダーは顔を識別する上で重要な属性と見なされることが多い。
本稿では,顔ディスクリプタに存在する性別情報を減らすために,新たにAGENDA(Adversarial Gender De-biasing Algorithm)を提案する。
論文 参考訳(メタデータ) (2020-06-14T08:54:03Z)
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。