論文の概要: Human-Machine Comparison for Cross-Race Face Verification: Race Bias at the Upper Limits of Performance?

• arxiv url: http://arxiv.org/abs/2305.16443v1
• Date: Thu, 25 May 2023 19:41:13 GMT
• ステータス: 処理完了
• システム内更新日: 2023-05-29 18:27:35.008768
• Title: Human-Machine Comparison for Cross-Race Face Verification: Race Bias at the Upper Limits of Performance?
• Title（参考訳）: クロスレース・フェイス検証のためのヒューマンマシン比較: パフォーマンスの上限におけるレースバイアス?
• Authors: Geraldine Jeckeln, Selin Yavuzcan, Kate A. Marquis, Prajay Sandipkumar Mehta, Amy N. Yates, P. Jonathon Phillips
• Abstract要約: 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。
• 参考スコア（独自算出の注目度）: 0.7388859384645262
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Face recognition algorithms perform more accurately than humans in some cases, though humans and machines both show race-based accuracy differences. As algorithms continue to improve, it is important to continually assess their race bias relative to humans. We constructed a challenging test of 'cross-race' face verification and used it to compare humans and two state-of-the-art face recognition systems. Pairs of same- and different-identity faces of White and Black individuals were selected to be difficult for humans and an open-source implementation of the ArcFace face recognition algorithm from 2019 (5). Human participants (54 Black; 51 White) judged whether face pairs showed the same identity or different identities on a 7-point Likert-type scale. Two top-performing face recognition systems from the Face Recognition Vendor Test-ongoing performed the same test (7). By design, the test proved challenging for humans as a group, who performed above chance, but far less than perfect. Both state-of-the-art face recognition systems scored perfectly (no errors), consequently with equal accuracy for both races. We conclude that state-of-the-art systems for identity verification between two frontal face images of Black and White individuals can surpass the general population. Whether this result generalizes to challenging in-the-wild images is a pressing concern for deploying face recognition systems in unconstrained environments.
• Abstract（参考訳）: 顔認識アルゴリズムは人間よりも精度が高い場合もあるが、人間と機械はどちらも人種による精度の違いを示している。 アルゴリズムが改善を続けるにつれて、人間に対する人種バイアスを継続的に評価することが重要である。 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。 白人と黒人の同一顔と異なる顔のペアは、人間にとって困難であり、2019年のarcface顔認識アルゴリズムのオープンソース実装である(5)から選択された。 ヒトの被験者(54黒人、51白人)は、顔のペアが7点のlikertタイプのスケールで同一の同一性または異なる同一性を示したかどうかを判断した。 顔認識ベンダによる2つのトップパフォーマンス顔認識システムが同じテスト(7)を行った。 設計上、このテストは、チャンスを上回っていたが完璧に届かなかったグループとして、人間にとって困難であることが判明した。 どちらの最先端の顔認識システムも完璧(エラーなし)であり、両者の精度は同等だった。 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。 この結果がwildイメージへの挑戦に一般化するかどうかは、制約のない環境に顔認識システムをデプロイする上で、重要な懸念事項である。

関連論文リスト

• Exploring Decision-based Black-box Attacks on Face Forgery Detection [53.181920529225906]
  顔の偽造生成技術は鮮明な顔を生み出し、セキュリティとプライバシーに対する世間の懸念を高めている。 顔偽造検出は偽の顔の識別に成功しているが、最近の研究では顔偽造検出は敵の例に対して非常に脆弱であることが示されている。
  論文  参考訳（メタデータ） (2023-10-18T14:49:54Z)
• 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)
• The Impact of Racial Distribution in Training Data on Face Recognition Bias: A Closer Look [0.0]
  トレーニングデータにおける人種分布が顔認識モデルの性能に及ぼす影響について検討する。 精度メトリクス、クラスタリングメトリクス、UMAPプロジェクション、顔の品質、決定しきい値を用いて、これらのトレーニングされたモデルを解析する。
  論文  参考訳（メタデータ） (2022-11-26T07:03:24Z)
• 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)
• Generating Master Faces for Dictionary Attacks with a Network-Assisted Latent Space Evolution [68.8204255655161]
  マスターフェイス(英: master face)とは、人口の大部分が顔に基づくアイデンティティ認証を通した顔画像である。 そこで我々は,StyleGANフェイスジェネレータの潜伏埋め込み空間における進化的アルゴリズムを用いて,これらの顔の最適化を行う。
  論文  参考訳（メタデータ） (2021-08-01T12:55:23Z)
• Facial Expressions as a Vulnerability in Face Recognition [73.85525896663371]
  本研究では,顔認識システムのセキュリティ脆弱性としての表情バイアスについて検討する。 本稿では,表情バイアスが顔認識技術の性能に与える影響を包括的に分析する。
  論文  参考訳（メタデータ） (2020-11-17T18:12:41Z)
• Convolutional neural net face recognition works in non-human-like ways [0.0]
  畳み込みニューラルネットワーク(CNN)は、多くのパターン認識問題において、アートパフォーマンスの状態を付与する。 我々は、CNNの顔認識システムも驚くべき「エラー」を発生させると報告した。 最高のCNNは、人間の顔のマッチングタスクでほぼ完璧に動作しますが、異なる見かけの人種や性別の顔に対して最もマッチしていると宣言します。
  論文  参考訳（メタデータ） (2020-04-08T15:42:14Z)
• 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)
• On the Robustness of Face Recognition Algorithms Against Attacks and Bias [78.68458616687634]
  顔認識アルゴリズムは非常に高い認識性能を示しており、現実のアプリケーションに適していることを示唆している。 精度が向上したにもかかわらず、これらのアルゴリズムの攻撃や偏見に対する堅牢性は問題視されている。 本稿では,顔認識アルゴリズムの頑健性に挑戦する様々な方法について要約する。
  論文  参考訳（メタデータ） (2020-02-07T18:21:59Z)
• Investigating the Impact of Inclusion in Face Recognition Training Data on Individual Face Identification [93.5538147928669]
  最新のオープンソースの顔認識システムであるArcFaceを、100万枚以上の散らばった画像を用いた大規模な顔識別実験で監査する。 モデルのトレーニングデータには79.71%、存在しない人には75.73%のランク1顔認証精度がある。
  論文  参考訳（メタデータ） (2020-01-09T15:50:28Z)

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。