論文の概要: Can the accuracy bias by facial hairstyle be reduced through balancing the training data?
- arxiv url: http://arxiv.org/abs/2405.20062v1
- Date: Thu, 30 May 2024 13:50:39 GMT
- ステータス: 処理完了
- システム内更新日: 2024-05-31 14:08:52.144869
- Title: Can the accuracy bias by facial hairstyle be reduced through balancing the training data?
- Title（参考訳）: トレーニングデータのバランスをとることで、顔の毛髪型による精度バイアスを低減できるのか?
- Authors: Kagan Ozturk, Haiyu Wu, Kevin W. Bowyer,
- Abstract要約: 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。
- 参考スコア（独自算出の注目度）: 7.052533066597702
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Appearance of a face can be greatly altered by growing a beard and mustache. The facial hairstyles in a pair of images can cause marked changes to the impostor distribution and the genuine distribution. Also, different distributions of facial hairstyle across demographics could cause a false impression of relative accuracy across demographics. We first show that, even though larger training sets boost the recognition accuracy on all facial hairstyles, accuracy variations caused by facial hairstyles persist regardless of the size of the training set. Then, we analyze the impact of having different fractions of the training data represent facial hairstyles. We created balanced training sets using a set of identities available in Webface42M that both have clean-shaven and facial hair images. We find that, even when a face recognition model is trained with a balanced clean-shaven / facial hair training set, accuracy variation on the test data does not diminish. Next, data augmentation is employed to further investigate the effect of facial hair distribution in training data by manipulating facial hair pixels with the help of facial landmark points and a facial hair segmentation model. Our results show facial hair causes an accuracy gap between clean-shaven and facial hair images, and this impact can be significantly different between African-Americans and Caucasians.
- Abstract（参考訳）: 顔の外観は、あごひげや口ひげを生やすことで大きく変化させることができる。
一対の画像の顔のヘアスタイルは、インポスタ分布と真の分布に顕著な変化をもたらす可能性がある。
また、人口統計学的に異なる顔の毛髪スタイルの分布は、人口統計学的に相対的精度の誤った印象を引き起こす可能性がある。
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。
次に, 顔の髪型を表す訓練データの異なる分画が与える影響を分析した。
We created balanced training set using a set of identities in Webface42M which are a clean-shaven and face hair images。
顔認証モデルがバランスの取れたきれいな髪型/顔の毛髪トレーニングセットで訓練されたとしても、テストデータの精度の変動は減少しない。
次に、顔のランドマークポイントと顔のヘアセグメンテーションモデルを用いて、顔のヘアピクセルを操作することにより、トレーニングデータにおける顔の毛髪分布の影響をさらに調査する。
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。
関連論文リスト
- 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) - Logical Consistency and Greater Descriptive Power for Facial Hair
Attribute Learning [6.244634329290045]
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。
論文 参考訳（メタデータ） (2023-02-22T02:49:21Z) - DigiFace-1M: 1 Million Digital Face Images for Face Recognition [25.31469201712699]
最先端の顔認識モデルは、Wildデータセットのラベル付き顔に対して99.8%以上の精度で達成されている。
コンピュータグラフィックスパイプラインを用いてデジタル顔の描画によって得られた顔認識のための大規模合成データセットを提案する。
論文 参考訳（メタデータ） (2022-10-05T22:02:48Z) - The Gender Gap in Face Recognition Accuracy Is a Hairy Problem [8.768049933358968]
まず、男女の髪型が顔の認識精度に影響を及ぼす重要な違いがあることを実証する。
そして、認識精度を推定するために使用されるデータが、髪型が顔を妨げるかによって性別間でバランスが取れている場合、当初観察された精度の男女差が大きく消失することを示した。
論文 参考訳（メタデータ） (2022-06-10T04:32:47Z) - I Only Have Eyes for You: The Impact of Masks On Convolutional-Based
Facial Expression Recognition [78.07239208222599]
今回提案したFaceChannelがマスクを持つ人からの表情認識にどのように適応するかを評価します。
また、制約された社会的相互作用シナリオにおける顔の特徴の変化を学習し、組み合わせるためのFaceChannelの本質的な能力を示すために、特定の機能レベルの可視化も行います。
論文 参考訳（メタデータ） (2021-04-16T20:03:30Z) - FedFace: Collaborative Learning of Face Recognition Model [66.84737075622421]
FedFaceは顔認識モデルの協調学習のためのフレームワークである。
各クライアントに格納された顔画像が、他のクライアントや中央ホストと共有されない、正確で汎用的な顔認識モデルを学ぶ。
コードとトレーニング済みモデルは公開される予定です。
論文 参考訳（メタデータ） (2021-04-07T09:25:32Z) - Pre-training strategies and datasets for facial representation learning [58.8289362536262]
いくつかの顔分析タスクやデータセットに適用可能な普遍的な顔表現の探索方法を示す。
顔に適応する2つの大規模表現学習を体系的に検討する。
私たちの主な2つの発見は以下の通りです: 完全にインザワイルドな未処理データに対する教師なし事前トレーニングは一貫性を提供し、場合によっては大幅な精度向上をもたらします。
論文 参考訳（メタデータ） (2021-03-30T17:57:25Z) - Learning Emotional-Blinded Face Representations [77.7653702071127]
感情反応に関連する表情に盲目な2つの顔表現を提案する。
この作業は、個人データ保護に関する新たな国際規則によって動機付けられている。
論文 参考訳（メタデータ） (2020-09-18T09:24:10Z) - 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) - Analysis of Gender Inequality In Face Recognition Accuracy [11.6168015920729]
以上の結果から,(1) 類似度が高い女性に対して,(1) 類似度が高い女性に対して,(2) 類似度が高い女性に対して,(2) 類似度が高い女性に対して,詐欺師の分布は,女性の精度が低下していることが示唆された。
この現象は、アフリカ系アメリカ人、コーカサス系、アジア系の女性の顔のデータセットに共通している。
論文 参考訳（メタデータ） (2020-01-31T21:32:53Z) - 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。