論文の概要: WIDER-FAIR: An Annotated Version of the WIDER-FACE Dataset for Fairness Evaluation
- arxiv url: http://arxiv.org/abs/2606.31704v1
- Date: Tue, 30 Jun 2026 14:10:42 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-07-01 18:27:19.249151
- Title: WIDER-FAIR: An Annotated Version of the WIDER-FACE Dataset for Fairness Evaluation
- Title（参考訳）: WIDER-FAIR:フェアネス評価のためのWIDER-FACEデータセットの注釈版
- Abstract要約: WIDER-FACEベンチマークをベースとした新しい顔検出データセットを導入し,各顔の民族性や性別を手動でアノテートする。
このデータセットには、アジア、黒人、インド、白人の4つの民族グループに注釈付けされた16,256の画像と、2つの性分類が含まれている。
我々は,黒人の顔に対する検出性能が顕著に低下していることを示し,このグループをトレーニングから除外することは,他のどの民族グループも除外するよりも公平性の違いを増大させることを示した。
- 参考スコア（独自算出の注目度）: 0.7034739490820968
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: The deployment of face detection models in real-world applications raises important fairness concerns, as these systems may showcase performance disparities across demographic groups. A key obstacle to studying and mitigating such biases is the lack of face detection datasets with sensitive feature annotations. To address this gap, we introduce WIDER-FAIR, a new dataset built on the widely used WIDER-FACE benchmark, manually annotated with the perceived ethnicity and sex of each face. The dataset contains 16,256 images annotated across four ethnic groups: Asian, Black, Indian, and White, and two sex categories. We assess the quality and coherence of the annotations using face embeddings, a K-Nearest Neighbors classifier, and a t-SNE visualization, all of which support the consistency of the labeling process. As a demonstration of the dataset's potential, we train a YOLOv5 model and perform ablation studies on each sensitive feature. Among other findings, our experiments show that detection performance is notably lower for faces of Black individuals, and that excluding this group from training increases fairness disparity more than excluding any other ethnic group. These observations illustrate the value of demographically annotated datasets for understanding and evaluating bias in face detection models.
- Abstract（参考訳）: 実世界のアプリケーションにおける顔検出モデルの展開は、人口集団間での性能格差を示す可能性があるため、重要な公平性に関する懸念を提起する。
このようなバイアスを研究し緩和する上で重要な障害は、繊細な特徴アノテーションを備えた顔検出データセットの欠如である。
このギャップに対処するために、WIDER-FAIRという、広く使われているWIDER-FACEベンチマーク上に構築された新しいデータセットを紹介します。
このデータセットには、アジア、黒人、インド、白人の4つの民族グループに注釈付けされた16,256の画像と、2つの性分類が含まれている。
顔埋め込み,K-Nearest Neighbors分類器,t-SNE視覚化を用いて,アノテーションの品質とコヒーレンスを評価する。
データセットの可能性の実証として、YOLOv5モデルをトレーニングし、各センシティブな特徴についてアブレーション研究を行う。
実験の結果,黒人の顔では検出性能が顕著に低下しており,このグループをトレーニングから除外すると,他のどの民族グループも除外するよりも公平性の違いが増すことがわかった。
これらの観察は、顔検出モデルにおけるバイアスを理解し評価するための人口統計学的注釈付きデータセットの価値を示す。
関連論文リスト
- FairForensics: Seeing Expressions and Parsing Demographics via Vision-Language Modeling for Generalizable Fair Deepfake Detection [60.2868121662026]
既存のフェアネスを増強した検出器は、しばしば人口統計群全体にわたって目に見えない操作とフェアネスの最適下一般化に悩まされる。
我々は、バランスの取れない人口シナリオと不均衡な人口シナリオの両方の下で、検出器の公平性を訓練し、評価するために、新しい人口動態バランスFDDベンチマークを構築した。
また,FairForensicsと呼ばれる新しい表現と階層型視覚言語モデルを導入する。
論文 参考訳（メタデータ） (2026-08-03T03:51:14Z) - Mitigating Bias with Words: Inducing Demographic Ambiguity in Face Recognition Templates by Text Encoding [18.08946802592489]
顔認識システムは、しばしば人口統計学的バイアスに起因し、部分的には、人口統計学的情報と、顔の埋め込みにおけるアイデンティティ関連の特徴が絡み合っているためである。
我々は,顔埋め込みにおける人口動態のあいまいさを誘発する新しい手法である統一テキスト・イメージ・埋め込み(UTIE)を提案する。
UTIEは、いくつかのケースにおいて、顔認証精度を維持しながら、あるいは改善しながら、常にバイアスメトリクスを減少させることを示す。
論文 参考訳（メタデータ） (2025-12-05T10:41:58Z) - Balancing the Scales: Enhancing Fairness in Facial Expression Recognition with Latent Alignment [5.784550537553534]
このワークル平均は、表情認識システムにおけるバイアスを軽減するために、潜在空間に基づく表現学習を行う。
また、ディープラーニングモデルの公平性と全体的な正確性も向上する。
論文 参考訳（メタデータ） (2024-10-25T10:03:10Z) - Fairness Under Cover: Evaluating the Impact of Occlusions on Demographic Bias in Facial Recognition [0.0]
BUPT-BalancedおよびBUPT-GlobalFaceデータセット上で訓練した顔認識モデルの性能評価を行った。
そこで本研究では,異なる集団間でのモデル性能にどの程度のオクルージョンが影響するかを定量化する,新しい指標である顔閉塞インパクト比(FOIR)を提案する。
論文 参考訳（メタデータ） (2024-08-19T17:34:19Z) - Thinking Racial Bias in Fair Forgery Detection: Models, Datasets and Evaluations [63.52709761339949]
最初に、Fair Forgery Detection(FairFD)データセットと呼ばれる専用のデータセットをコントリビュートし、SOTA(Public State-of-the-art)メソッドの人種的偏見を証明する。
我々は、偽りの結果を避けることができる平均的メトリクスと実用正規化メトリクスを含む新しいメトリクスを設計する。
また,有効で堅牢な後処理技術であるBias Pruning with Fair Activations (BPFA)も提案する。
論文 参考訳（メタデータ） (2024-07-19T14:53:18Z) - Fairness meets Cross-Domain Learning: a new perspective on Models and
Metrics [80.07271410743806]
クロスドメイン学習(CD)とモデルフェアネスの関係について検討する。
いくつかの人口集団にまたがる顔画像と医療画像のベンチマークと、分類とローカライゼーションタスクについて紹介する。
本研究は,3つの最先端フェアネスアルゴリズムとともに,14のCDアプローチをカバーし,前者が後者に勝ることを示す。
論文 参考訳（メタデータ） (2023-03-25T09:34:05Z) - Assessing Demographic Bias Transfer from Dataset to Model: A Case Study
in Facial Expression Recognition [1.5340540198612824]
2つのメトリクスはデータセットの表現バイアスとステレオタイプバイアスに焦点をあて、もう1つはトレーニングされたモデルの残差バイアスに焦点を当てている。
本稿では、一般的なAffectnetデータセットに基づくFER問題に適用することで、メトリクスの有用性を示す。
論文 参考訳（メタデータ） (2022-05-20T09:40:42Z) - 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) - 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) - Investigating Bias in Deep Face Analysis: The KANFace Dataset and
Empirical Study [67.3961439193994]
現在までに最も包括的で大規模な顔画像とビデオのデータセットを導入している。
データは、アイデンティティ、正確な年齢、性別、親族関係の点で手動で注釈付けされる。
提案したベンチマークでネットワーク埋め込みをデバイアス化する手法を導入し,テストした。
論文 参考訳（メタデータ） (2020-05-15T00:14:39Z)
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。