論文の概要: Gradient Attention Balance Network: Mitigating Face Recognition Racial
Bias via Gradient Attention
- arxiv url: http://arxiv.org/abs/2304.02284v1
- Date: Wed, 5 Apr 2023 08:13:31 GMT
- ステータス: 処理完了
- システム内更新日: 2023-04-06 13:11:44.254369
- Title: Gradient Attention Balance Network: Mitigating Face Recognition Racial
Bias via Gradient Attention
- Title（参考訳）: グラデーション・アテンション・バランス・ネットワーク:グラデーション・アテンションによる顔認識の人種バイアスの軽減
- Authors: Linzhi Huang, Mei Wang, Jiahao Liang, Weihong Deng, Hongzhi Shi,
Dongchao Wen, Yingjie Zhang, Jian Zhao
- Abstract要約: グラディエント・アテンション・バランス・ネットワーク(GABN)と呼ばれる勾配注意に基づく新しいデバイアス手法を提案する。
具体的には、顔認識ネットワークの勾配注意マップ(GAM)を用いて、感度の高い顔領域を追跡する。
また、マスクを用いてTop-Nの感度の高い顔領域を消去し、より大きな顔領域への注意をネットワークに割り当てる。
- 参考スコア（独自算出の注目度）: 43.52762277911445
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Although face recognition has made impressive progress in recent years, we
ignore the racial bias of the recognition system when we pursue a high level of
accuracy. Previous work found that for different races, face recognition
networks focus on different facial regions, and the sensitive regions of
darker-skinned people are much smaller. Based on this discovery, we propose a
new de-bias method based on gradient attention, called Gradient Attention
Balance Network (GABN). Specifically, we use the gradient attention map (GAM)
of the face recognition network to track the sensitive facial regions and make
the GAMs of different races tend to be consistent through adversarial learning.
This method mitigates the bias by making the network focus on similar facial
regions. In addition, we also use masks to erase the Top-N sensitive facial
regions, forcing the network to allocate its attention to a larger facial
region. This method expands the sensitive region of darker-skinned people and
further reduces the gap between GAM of darker-skinned people and GAM of
Caucasians. Extensive experiments show that GABN successfully mitigates racial
bias in face recognition and learns more balanced performance for people of
different races.
- Abstract（参考訳）: 近年、顔認識は目覚ましい進歩を遂げているが、高いレベルの精度を追求する際、認識システムの人種的偏見を無視する。
以前の研究では、異なる人種の顔認識ネットワークは異なる顔領域に焦点を合わせており、暗い肌の人々の敏感な領域はずっと小さいことが判明した。
この発見に基づき,勾配注意バランスネットワーク (gabn) と呼ばれる,勾配注意に基づく新しいデバイアス法を提案する。
具体的には、顔認識ネットワークの勾配注意マップ(GAM)を用いて、繊細な顔領域を追跡し、異なる人種のGAMを敵対学習を通じて一貫性を持たせる。
この方法は、ネットワークを類似の顔領域に集中させることでバイアスを軽減する。
さらに、マスクを使ってトップnのセンシティブな顔領域を消去し、ネットワークがより広い顔領域に注意を向けるようにしています。
この方法は、暗い肌の人々の敏感な領域を拡大し、暗い肌の人々のギャンと白人のギャンの間のギャップをさらに減少させる。
大規模な実験により、GABNは顔認識における人種的偏見を緩和し、異なる人種の人々のよりバランスのとれたパフォーマンスを学ぶことに成功した。
関連論文リスト
- LAFS: Landmark-based Facial Self-supervised Learning for Face
Recognition [37.4550614524874]
我々は、効果的な顔認識モデルの訓練に適応できる顔表現の学習に焦点をあてる。
本研究では,自己教師付き事前学習による未ラベル顔画像の学習戦略について検討する。
提案手法は,複数の顔認識ベンチマークにおける最先端技術よりも大幅に向上する。
論文 参考訳（メタデータ） (2024-03-13T01:07:55Z) - 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) - 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) - Is Facial Recognition Biased at Near-Infrared Spectrum As Well? [0.8594140167290097]
本研究では近赤外スペクトル(NIR)における顔認識の偏りについて検討する。
以上の結果から,NIRスペクトルにおける性別および人種間の同等の顔認識性能が示唆された。
論文 参考訳（メタデータ） (2022-10-31T20:37:41Z) - 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) - Mitigating Face Recognition Bias via Group Adaptive Classifier [53.15616844833305]
この研究は、全てのグループの顔がより平等に表現できる公正な顔表現を学ぶことを目的としている。
我々の研究は、競争精度を維持しながら、人口集団間での顔認識バイアスを軽減することができる。
論文 参考訳（メタデータ） (2020-06-13T06:43:37Z) - Exploring Racial Bias within Face Recognition via per-subject
Adversarially-Enabled Data Augmentation [15.924281804465252]
本稿では,オブジェクト単位のデータセットバランスの実現を目的とした,新たな逆派生データ拡張手法を提案する。
我々の目的は、様々な人種領域にまたがる顔画像を変換することで、合成データセットを自動構築することである。
両面比較では,提案手法が(人種)少数集団の認識性能に与える影響が示唆された。
論文 参考訳（メタデータ） (2020-04-19T19:46:32Z) - 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) - Asymmetric Rejection Loss for Fairer Face Recognition [1.52292571922932]
訓練データセットの人種的不均衡により、異なる民族集団間での顔認識性能の違いが示されている。
これは実際には、顔のデータセットが通常収集されるセロブドムにおける非コーカサス民族集団の下位表現にシンプトマティックである。
本研究は,非表示群をフル活用することを目的とした非対称リジェクションロスを提案する。
論文 参考訳（メタデータ） (2020-02-09T04:01:03Z)
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。