不用重训、不掉精度，DenseFace靠概率匹配持续削减人脸识别种族偏差！
DenseFace: Bias Mitigation in Face Recognition via Density-Aware Probabilistic Matching
📖 AI 总结
当前人脸识别模型仍存在明显的种族偏见，而现有偏见缓解方法往往对训练过程施加约束，并导致识别精度下降。针对这一问题，该研究提出DenseFace方法，通过von Mises-Fisher分布对人脸嵌入进行建模，发现人口统计属性与分布密度之间存在依赖关系，进而设计了一种考虑分布差异的概率匹配流程。实验表明，DenseFace能在不同网络架构、训练数据集和损失函数的强人脸识别模型上持续降低种族偏见，同时保持识别精度，且无需重新训练底层模型。该工作还对既有偏见度量方法进行了审视并提出改进建议，为在不牺牲性能的前提下实现公平人脸识别提供了新思路。
🔑 关键词速览
| von Mises-Fisher (MF) 分布 | 一种用于单位球面上方向数据的概率分布，常用于建模归一化后的特征向量。 |
| DenseFace | 本文提出的概率人脸匹配方法，通过考虑MF分布密度差异来减少种族偏差。 |
| 人脸嵌入 | 将人脸图像映射到高维特征空间得到的向量表示，用于人脸识别和匹配。 |
| 人口统计学偏差 | 模型在不同人口群体（如种族、性别）上表现不一致，导致对某些群体的识别准确率较低。 |
| 概率人脸匹配 | 基于概率模型计算两张人脸属于同一人的可能性，而非直接使用距离度量。 |
📱 每天一份 AI 前沿日报
关注公众号，每天 09:00 推送 · 不错过任何重磅