論文の概要: Generalizability and Application of the Skin Reflectance Estimate Based on Dichromatic Separation (SREDS)

• arxiv url: http://arxiv.org/abs/2309.01235v1
• Date: Sun, 3 Sep 2023 18:09:00 GMT
• ステータス: 処理完了
• システム内更新日: 2023-09-06 20:41:53.711061
• Title: Generalizability and Application of the Skin Reflectance Estimate Based on Dichromatic Separation (SREDS)
• Title（参考訳）: 二色分離(SREDS)に基づく皮膚反射率推定の一般化と応用
• Authors: Joseph Drahos, Richard Plesh, Keivan Bahmani, Mahesh Banavar, and Stephanie Schuckers
• Abstract要約: 肌色の違いは、顔認識モデルで観察される差分性能に寄与する要因の1つである。 本研究では,他の皮膚色調指標に対する二色分離(SREDS)に基づく皮膚反射率推定の一般化可能性についてさらなる分析を行った。 以上の結果から,SREDSは各被験者に低変量で皮膚のトーン測定値を連続的に生成することが示唆された。
• 参考スコア（独自算出の注目度）: 1.1010026679581653
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Face recognition (FR) systems have become widely used and readily available in recent history. However, differential performance between certain demographics has been identified within popular FR models. Skin tone differences between demographics can be one of the factors contributing to the differential performance observed in face recognition models. Skin tone metrics provide an alternative to self-reported race labels when such labels are lacking or completely not available e.g. large-scale face recognition datasets. In this work, we provide a further analysis of the generalizability of the Skin Reflectance Estimate based on Dichromatic Separation (SREDS) against other skin tone metrics and provide a use case for substituting race labels for SREDS scores in a privacy-preserving learning solution. Our findings suggest that SREDS consistently creates a skin tone metric with lower variability within each subject and SREDS values can be utilized as an alternative to the self-reported race labels at minimal drop in performance. Finally, we provide a publicly available and open-source implementation of SREDS to help the research community. Available at https://github.com/JosephDrahos/SREDS
• Abstract（参考訳）: 顔認識 (FR) システムは近年広く使われ、容易に利用できるようになった。 しかし、一般的なFRモデルでは、特定の人口層間の差分性能が特定されている。 肌色の違いは、顔認識モデルで観察される差分性能に寄与する要因の1つである。 スキントーンメトリクスは、例えば大規模な顔認識データセットのように、そのようなラベルが使用できない、あるいは完全に使用できない場合に、自己報告されたレースラベルの代替となる。 本研究では、他のスキントーン指標に対する二色分離(SREDS)に基づく皮膚反射率推定の一般化可能性をさらに分析し、プライバシー保護学習ソリューションにおけるSREDSスコアのレースラベル置換のためのユースケースを提供する。 以上の結果から,SREDSは各被験者ごとの変動率の低いスキントーン尺度を一貫して作成し,SREDS値を最小限の性能低下で自己申告したレースラベルの代替として活用できることが示唆された。 最後に、研究コミュニティを支援するために、SREDSの公開およびオープンソース実装を提供する。 https://github.com/JosephDrahos/SREDSで入手できる。

関連論文リスト

• FairLENS: Assessing Fairness in Law Enforcement Speech Recognition [37.75768315119143]
  本研究では,異なるモデル間の公平さの相違を検証するための,新しい適応性評価手法を提案する。 我々は1つのオープンソースと11の商用 ASR モデルに対してフェアネスアセスメントを行った。
  論文  参考訳（メタデータ） (2024-05-21T19:23:40Z)
• FACET: Fairness in Computer Vision Evaluation Benchmark [21.862644380063756]
  コンピュータビジョンモデルは、性別や肌のトーンなどの属性間でパフォーマンスの相違が知られている。 FACET (FAirness in Computer Vision EvaluaTion) という新しいベンチマークを提案する。 FACETは、最も一般的な視覚タスクのための32kイメージの大規模な、一般公開された評価セットである。
  論文  参考訳（メタデータ） (2023-08-31T17:59:48Z)
• 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)
• Color Invariant Skin Segmentation [17.501659517108884]
  本稿では,カラー情報に頼らずに画像中の皮膚を自動的に検出する問題に対処する。 この研究の主な動機は、皮膚のトーン全体にわたって一貫性のある結果を達成することである。 我々はそのような情報がない場合によく機能する新しいアプローチを提案する。
  論文  参考訳（メタデータ） (2022-04-21T05:07:21Z)
• Information-Theoretic Bias Assessment Of Learned Representations Of Pretrained Face Recognition [18.07966649678408]
  保護された人口統計属性に対するバイアスの度合いを特定するために,情報理論,独立バイアス評価指標を提案する。 我々の測定基準は、分類精度に依存する他の方法と異なり、浅いネットワークを用いて予測される保護属性の予測ラベルと地上の真実の差を調べる。
  論文  参考訳（メタデータ） (2021-11-08T17:41:17Z)
• Robustness Disparities in Commercial Face Detection [72.25318723264215]
  私たちは、Amazon Rekognition、Microsoft Azure、Google Cloud Platformの3つのシステムの堅牢性に関する、この種の詳細なベンチマークを初めて提示します。 一般的には、年齢、男性像、肌型、薄暗い色合いの人物の写真は、他のアイデンティティーの人物よりも、エラーの影響を受けやすいことが分かりました。
  論文  参考訳（メタデータ） (2021-08-27T21:37:16Z)
• 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)
• Balancing Biases and Preserving Privacy on Balanced Faces in the Wild [50.915684171879036]
  現在の顔認識(FR)モデルには、人口統計バイアスが存在する。 さまざまな民族と性別のサブグループにまたがる偏見を測定するために、我々のバランス・フェイススをWildデータセットに導入します。 真偽と偽のサンプルペアを区別するために1点のスコアしきい値に依存すると、最適以下の結果が得られます。 本稿では,最先端ニューラルネットワークから抽出した顔特徴を用いたドメイン適応学習手法を提案する。
  論文  参考訳（メタデータ） (2021-03-16T15:05:49Z)
• 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)
• Adversarial Feature Hallucination Networks for Few-Shot Learning [84.31660118264514]
  Adversarial Feature Hallucination Networks (AFHN) は条件付き Wasserstein Generative Adversarial Network (cWGAN) に基づいている。 合成された特徴の識別性と多様性を促進するために、2つの新規レギュレータがAFHNに組み込まれている。
  論文  参考訳（メタデータ） (2020-03-30T02:43:16Z)

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。