論文の概要: Frequency Matters: Explaining Biases of Face Recognition in the Frequency Domain

• arxiv url: http://arxiv.org/abs/2501.16896v1
• Date: Tue, 28 Jan 2025 12:27:25 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-01-29 16:41:26.017261
• Title: Frequency Matters: Explaining Biases of Face Recognition in the Frequency Domain
• Title（参考訳）: 周波数問題:周波数領域における顔認識の分岐について
• Authors: Marco Huber, Fadi Boutros, Naser Damer,
• Abstract要約: 顔認識モデルは、人口統計群間でのパフォーマンスの変動に弱い。 性別や民族の偏見の根源を探究することを目的とした作品もいくつかある。 我々は、最先端の周波数に基づく説明を用いて、顔認識におけるバイアスを説明する。
• 参考スコア（独自算出の注目度）: 8.291083684227576
• License:
• Abstract: Face recognition (FR) models are vulnerable to performance variations across demographic groups. The causes for these performance differences are unclear due to the highly complex deep learning-based structure of face recognition models. Several works aimed at exploring possible roots of gender and ethnicity bias, identifying semantic reasons such as hairstyle, make-up, or facial hair as possible sources. Motivated by recent discoveries of the importance of frequency patterns in convolutional neural networks, we explain bias in face recognition using state-of-the-art frequency-based explanations. Our extensive results show that different frequencies are important to FR models depending on the ethnicity of the samples.
• Abstract（参考訳）: 顔認識(FR)モデルは、人口集団間でのパフォーマンスの変動に対して脆弱である。 これらの性能の違いの原因は、顔認識モデルの高度に複雑な深層学習に基づく構造のため不明である。 いくつかの研究は、性別と民族性バイアスの可能性のある根源を探究することを目的としており、髪型、メイクアップ、顔の毛髪といった意味的な理由を可能な限りの情報源として特定している。 畳み込みニューラルネットワークにおける周波数パターンの重要性の最近の発見に触発され、現状の周波数に基づく説明を用いて顔認識におけるバイアスを説明する。 以上の結果から,試料の民族性によって異なる周波数がFRモデルにとって重要であることが示唆された。

関連論文リスト

• Beyond Spatial Explanations: Explainable Face Recognition in the Frequency Domain [6.69421628320396]
  我々は、探索されていない周波数領域における説明可能な顔認識について、一歩前進して検討する。 この研究は、周波数領域における検証に基づく決定の説明可能性について初めて提案する。
  論文  参考訳（メタデータ） (2024-07-16T17:29:24Z)
• Explanation of Face Recognition via Saliency Maps [13.334500258498798]
  本稿では,説明可能な顔認識(XFR)の厳密な定義を提案する。 次に、類似性に基づくRISEアルゴリズム(S-RISE)を導入し、高品質なビジュアル・サリエンシ・マップを作成する。 一般的なビジュアル・サリエンシに基づくXFR手法の信頼性と精度を体系的に評価するための評価手法を提案する。
  論文  参考訳（メタデータ） (2023-04-12T19:04:21Z)
• 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)
• Rethinking Bias Mitigation: Fairer Architectures Make for Fairer Face Recognition [107.58227666024791]
  顔認識システムは、法執行を含む安全クリティカルなアプリケーションに広くデプロイされている。 彼らは、性別や人種など、様々な社会的デデノグラフィー次元に偏見を示す。 バイアス軽減に関するこれまでの研究は、主にトレーニングデータの事前処理に重点を置いていた。
  論文  参考訳（メタデータ） (2022-10-18T15:46:05Z)
• Towards Explaining Demographic Bias through the Eyes of Face Recognition Models [6.889667606945215]
  データとアルゴリズムの両方に固有のバイアスは、機械学習(ML)ベースの意思決定システムの公平性を最適以下にする。 我々は、異なる人口集団を処理する際に、顔認識モデルの振る舞いの違いを分析する一連の説明可能性ツールを提供することを目標としている。 我々は、アクティベーションマップに基づく高次統計情報を活用して、FRモデルの行動差を特定の顔領域に関連付ける説明可能性ツールを構築する。
  論文  参考訳（メタデータ） (2022-08-29T07:23:06Z)
• Beyond the Visible: A Survey on Cross-spectral Face Recognition [15.469814029453893]
  クロススペクトル顔認識 (CFR) とは、異なるスペクトル帯から生じる顔画像を用いて個人を認識することを指す。 近年のディープニューラルネットワーク(DNN)の進歩により、CFRシステムの性能が大幅に向上した。
  論文  参考訳（メタデータ） (2022-01-12T12:09:24Z)
• End2End Occluded Face Recognition by Masking Corrupted Features [82.27588990277192]
  最先端の一般的な顔認識モデルは、隠蔽された顔画像に対してうまく一般化しない。 本稿では,1つのエンドツーエンドのディープニューラルネットワークに基づいて,オクルージョンに頑健な新しい顔認識手法を提案する。 我々のアプローチは、深い畳み込みニューラルネットワークから破損した特徴を発見し、動的に学習されたマスクによってそれらをきれいにする。
  論文  参考訳（メタデータ） (2021-08-21T09:08:41Z)
• 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)
• 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)
• The FaceChannel: A Fast & Furious Deep Neural Network for Facial Expression Recognition [71.24825724518847]
  顔の表情の自動認識(FER)の最先端モデルは、非常に深いニューラルネットワークに基づいており、訓練には効果的だがかなり高価である。 私たちは、一般的なディープニューラルネットワークよりもはるかに少ないパラメータを持つ軽量ニューラルネットワークであるFaceChannelを形式化します。 我々は、私たちのモデルがFERの現在の最先端技術に匹敵するパフォーマンスを達成する方法を実証する。
  論文  参考訳（メタデータ） (2020-09-15T09:25:37Z)

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。