論文の概要: What Should Be Balanced in a "Balanced" Face Recognition Dataset?
- arxiv url: http://arxiv.org/abs/2304.09818v2
- Date: Wed, 23 Aug 2023 23:32:49 GMT
- ステータス: 処理完了
- システム内更新日: 2023-08-25 18:03:00.176622
- Title: What Should Be Balanced in a "Balanced" Face Recognition Dataset?
- Title（参考訳）: バランスの取れた顔認識データセットで何がバランスをとるべきか?
- Authors: Haiyu Wu, Kevin W. Bowyer
- Abstract要約: 顔認識アルゴリズムの精度を評価するために、様々な顔画像データセットが「フェア」または「バランス」として提案されている。
評価データセットにおけるアイデンティティの数と画像が、1対1の顔マッチング精度の要因ではないことに注意する必要がある。
本稿では,本論文で言及した因子とバランスの取れたクロスデデマトグラフィー評価データセットの作成を容易にするバイアス対応ツールキットを提案する。
- 参考スコア（独自算出の注目度）: 8.820019122897154
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: The issue of demographic disparities in face recognition accuracy has
attracted increasing attention in recent years. Various face image datasets
have been proposed as 'fair' or 'balanced' to assess the accuracy of face
recognition algorithms across demographics. These datasets typically balance
the number of identities and images across demographics. It is important to
note that the number of identities and images in an evaluation dataset are {\em
not} driving factors for 1-to-1 face matching accuracy. Moreover, balancing the
number of identities and images does not ensure balance in other factors known
to impact accuracy, such as head pose, brightness, and image quality. We
demonstrate these issues using several recently proposed datasets. To improve
the ability to perform less biased evaluations, we propose a bias-aware toolkit
that facilitates creation of cross-demographic evaluation datasets balanced on
factors mentioned in this paper.
- Abstract（参考訳）: 近年,顔認識精度における人口格差の問題が注目されている。
顔認識アルゴリズムの精度を評価するために、様々な顔画像データセットが「フェア」または「バランス」として提案されている。
これらのデータセットは通常、人口統計学におけるアイデンティティとイメージの数とをバランスさせる。
評価データセットにおけるアイデンティティの数と画像が、1対1の顔マッチング精度の駆動因子であることに注意する必要がある。
さらに、アイデンティティの数と画像のバランスは、頭部ポーズ、明るさ、画質など、正確性に影響を与える他の要因のバランスを確保できない。
最近提案されたデータセットを用いてこれらの問題を実証する。
バイアスの少ない評価を行う能力を向上させるため,本論文では,評価データセットの作成を容易にするバイアス対応ツールキットを提案する。
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) - Classes Are Not Equal: An Empirical Study on Image Recognition Fairness [100.36114135663836]
我々は,クラスが等しくないことを実験的に証明し,様々なデータセットにまたがる画像分類モデルにおいて,公平性の問題が顕著であることを示した。
以上の結果から,モデルでは認識が困難であるクラスに対して,予測バイアスが大きくなる傾向が示唆された。
データ拡張および表現学習アルゴリズムは、画像分類のある程度の公平性を促進することにより、全体的なパフォーマンスを向上させる。
論文 参考訳（メタデータ） (2024-02-28T07:54:50Z) - Fairness on Synthetic Visual and Thermal Mask Images [1.4524096882720263]
本研究では,視覚・熱画像の性能と公正性について検討し,マスク付き合成画像の評価を拡大する。
本研究では,S talkingFace と Thermal-Mask のデータセットを用いて,実画像の公平性を評価し,合成画像にどのように同じプロセスを適用するかを示す。
論文 参考訳（メタデータ） (2022-09-19T05:04:42Z) - A Deep Dive into Dataset Imbalance and Bias in Face Identification [49.210042420757894]
メディアの描写は、自動顔認識システムにおけるバイアスの主な原因として、しばしば不均衡を浮き彫りにする。
FRにおけるデータ不均衡に関するこれまでの研究は、顔認証の設定にのみ焦点をあててきた。
この研究は、顔の識別における各種類の不均衡の影響を徹底的に調査し、この設定におけるバイアスに影響を与える他の要因について議論する。
論文 参考訳（メタデータ） (2022-03-15T20:23:13Z) - Comparing Human and Machine Bias in Face Recognition [46.170389064229354]
我々はLFWとCelebAデータセットの改良版をリリースし、将来の研究者がアルゴリズムバイアスの測定値を得ることができるようにした。
また、これらの新しいデータを使って、顔認証と検証に関する一連の挑戦的な質問も開発しています。
検証作業において,コンピュータモデルと人的調査参加者の双方が有意に優れていたことが判明した。
論文 参考訳（メタデータ） (2021-10-15T22:26:20Z) - 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) - 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) - Face Quality Estimation and Its Correlation to Demographic and
Non-Demographic Bias in Face Recognition [15.431761867166]
顔の質評価は、認識のための顔画像の有用性を推定することを目的としている。
現在、これらの顔認識システムの高性能化には、人口統計学や非人口統計学のサブグループに対する強い偏見のコストが伴っている。
近年の研究では、顔品質評価アルゴリズムは、高精度でロバストな品質評価を実現するために、デプロイされた顔認識システムに適応すべきであることが示されている。
論文 参考訳（メタデータ） (2020-04-02T14:19:12Z)
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。