วิธีการลดอคติการจดจำใบหน้าด้วยเครือข่ายที่เป็นปฏิปักษ์แสดงให้เห็นถึงสัญญา

นักวิจัยสามคนที่โดดเด่นของนักวิจัยทางชีวภาพได้เสนอวิธีการกำจัดความแตกต่างหรืออคติจากประสิทธิภาพการรับรู้ใบหน้าระหว่างประชากรที่แตกต่างกัน

กระดาษเขียนร่วมกันโดย Sixue Gong, Xiaoming Liu และ Anil K. Jain, มหาวิทยาลัยรัฐมิชิแกนทั้งหมด, 'การจำแนกการจดจำใบหน้าร่วมกันและการประเมินคุณสมบัติทางประชากรศาสตร์ร่วมกัน'ถูกนำเสนอในการประชุมยุโรปเกี่ยวกับวิสัยทัศน์คอมพิวเตอร์ (ECCV) 2020

นักวิจัยเสนอเครือข่ายฝ่ายตรงข้ามที่แปลกใหม่ (DEBFACE) ซึ่ง“ เรียนรู้ที่จะแยกการแสดงคุณสมบัติที่แยกออกจากกันสำหรับการจดจำใบหน้าที่เป็นกลางและการประมาณค่าประชากร”

เครือข่ายที่เสนอในกระดาษนั้นประกอบด้วยตัวจําแนกตัวบ่งชี้หนึ่งตัวและตัวแยกประเภทประชากรสามตัวแต่ละตัวสำหรับเพศอายุและเชื้อชาติ ความสัมพันธ์ระหว่างปัจจัยคุณลักษณะจะลดลงผ่านการเรียนรู้ที่เป็นปฏิปักษ์เพื่อลดอิทธิพลของปัจจัยที่เกี่ยวข้องกับอคติและนักวิจัยยังออกแบบโครงการสำหรับการรวมข้อมูลประชากรกับคุณสมบัติเอกลักษณ์เพื่อปรับปรุงความสมดุลทางประชากรของใบหน้าที่เป็นตัวแทน

คำถามที่ว่าอคติสามารถได้รับการฝึกฝนจากการจดจำใบหน้าโดยไม่ลดความแม่นยำโดยรวมไปยังตัวหารร่วมที่ต่ำที่สุดได้รับการยกขึ้นโดยผู้อำนวยการบริหาร ID4Africa ดร. โจเซฟอาติคสปอตไลท์เกี่ยวกับเทคโนโลยีการจดจำใบหน้า-

การปรับปรุงประสิทธิภาพโดยรวมโดยไม่รวมอคติเพิ่มเติมนั้นไม่น่าสนใจหกคนบอกกับการอัปเดตไบโอเมตริกซ์ในอีเมล

“ เนื่องจากคุณลักษณะด้านประชากรศาสตร์มีการเลือกปฏิบัติต่อตัวตน (เผ่าพันธุ์ที่แตกต่างกันไม่สามารถเป็นเรื่องเดียวกันได้) การกำจัดของมันจะนำไปสู่การตั้งค่าที่ท้าทายมากขึ้นสำหรับ FR” เธออธิบาย “ Debface เสียสละความแม่นยำสำหรับกลุ่มด้วยตัวอย่างใบหน้าจำนวนมากในขณะที่ปรับปรุงความแม่นยำของกลุ่มที่มีภาพน้อยลง”

ผลลัพธ์โดยรวมของการทดลองของพวกเขาได้รับการส่งเสริมด้วยการลดอคติและการประเมินประชากรที่ดีขึ้นด้วยประสิทธิภาพที่เทียบเท่ากับระบบที่ทันสมัยตามรายงาน

“ กลยุทธ์หนึ่งในการลดอคติในขณะที่เก็บข้อมูลทางประชากรศาสตร์คือการเพิ่มคุณสมบัติการแยกแยะคุณสมบัติสำหรับกลุ่มที่ไม่ได้เป็นตัวแทนโดยการเพิ่มความสามารถพิเศษให้กับฟังก์ชั่นการสกัดคุณลักษณะที่สอดคล้องกัน “ ด้วยวิธีนี้การแสดงทั่วไปของกลุ่มทั้งหมดสามารถเพิ่มขึ้นได้และในขณะเดียวกันช่องว่างของความแม่นยำสามารถลดลงระหว่างกลุ่มที่ไม่ได้เป็นตัวแทนและกลุ่มเพื่อนร่วมงานที่ดี”

เมื่อเปรียบเทียบกับวิธีพื้นฐาน Debface ลดอคติในการตรวจสอบตัวตนของไบโอเมตริกซ์และการประมาณค่าทางประชากรสำหรับเพศอายุและเชื้อชาติ ในขณะที่ความแม่นยำโดยรวมลดลง Debface-id มีความแม่นยำในการตรวจสอบใบหน้าด้วยชุดข้อมูล RFW (ใบหน้าทางเชื้อชาติในป่า) ตั้งแต่ 93.67 เปอร์เซ็นต์บนใบหน้าสีดำถึง 95.95 เปอร์เซ็นต์สำหรับใบหน้าสีขาวในการทดสอบหก, Xiaoming และ Jain

Sixue ตั้งข้อสังเกตว่าชุดข้อมูลที่สมดุลยังคงแสดงให้เห็นว่ามีอคติพิสูจน์ว่าปัจจัยอื่น ๆ เช่นการตั้งค่ากล้องเงื่อนไขการจับภาพคุณภาพของภาพและฉลากประชากรสามารถสร้างอคติได้ แม้จะมีการเป็นตัวแทนทางประชากรตั้งแต่เริ่มต้น แต่ก็เป็นเรื่องยากที่จะสร้างฐานข้อมูลที่สมดุลอย่างแท้จริงเนื่องจากสิ่งที่หกเรียกว่า

ในกรณีที่ Debface สร้างความสมดุลระหว่างการแลกเปลี่ยนความแม่นยำและอคติโดยการสร้างการเป็นตัวแทน debiased สำหรับตัวตนและข้อมูลประชากรการรวมคุณสมบัติทางประชากรและตัวตนแบบสุ่มสี่สุ่มห้าอาจทำให้เกิดอคติอีกครั้ง ในการทำงานในอนาคตนักวิจัยวางแผนที่จะทดลองกับรูปแบบการรวมการรวมข้อมูลประชากรและอัตลักษณ์โดยไม่ต้องแนะนำอคติผ่านชุดข้อมูลหรืออัลกอริทึม

“ จากมุมมองของการกระจายคุณสมบัติการรวมการเป็นตัวแทนของเชื้อชาติเพศและอัตลักษณ์เป็นกระบวนการของการแมปการแสดงคุณสมบัติเอกลักษณ์ใหม่กลับไปยังพื้นที่ทางประชากรที่สอดคล้องกัน” Sixue ตั้งข้อสังเกต “ คุณสมบัติตัวตนจะถูกรวบรวมไว้ในหลาย ๆ กลุ่มตามคุณลักษณะทางประชากรของพวกเขา (ดูรูปที่ 6 ในกระดาษ) เป้าหมายคือการเพิ่มการเลือกปฏิบัติของจุดคุณสมบัติในแต่ละกลุ่มประชากรและแคบลงความแตกต่างของการแจกแจงคุณสมบัติระหว่างกลุ่มประชากร”

ทำงานเกี่ยวกับการลดความแตกต่างด้านประชากรศาสตร์ใน Biometrics Face ยังคงดำเนินต่อไปโดยมีบางส่วนของจิตใจที่สว่างที่สุดในสนาม ใช้ตัวเองกับปัญหา- ระดับที่พวกเขาประสบความสำเร็จอาจไปไกลในการพิจารณาว่าการจดจำใบหน้าในที่สุดจะกลายเป็นอย่างไรในที่สุด