KFC: Kinship Verification with Fair Contrastive Loss and Multi-Task Learning

要約

親族関係の検証は、複数の潜在的なアプリケーションを持つコンピューター ビジョンの新たなタスクです。
ただし、代表的で堅牢なモデルをトレーニングするのに十分な大きさの親族関係データセットが存在しないため、より優れたパフォーマンスを達成するには限界があります。
さらに、顔認証にはバイアスが存在することが知られており、これまでの親族認証作業では対処されておらず、場合によっては重大な問題を引き起こすこともあります。
そこで、人種情報を考慮して、KinRace データセットと呼ばれる、より大きく完全なデータセットを提供するために、まず既存の親族データセットを結合し、各アイデンティティに正しい人種のラベルを付けます。
第二に、最先端のパフォーマンスを超える精度を向上させるために、アテンションモジュールを備えたマルチタスク学習モデル構造を提案します。
最後に、敵対的学習を備えた公平性を意識した対比損失関数により、人種的偏見が大幅に軽減されます。
従来のコントラスト損失にデバイアス項を導入し、人種分類タスクに勾配反転を実装します。これは、バイアスを軽減するために 2 つの公平性手法を混合するという革新的なアイデアです。
徹底的な実験評価により、標準偏差と精度の両方において、提案された KFC の有効性と優れたパフォーマンスが同時に実証されました。

要約(オリジナル)

Kinship verification is an emerging task in computer vision with multiple potential applications. However, there’s no large enough kinship dataset to train a representative and robust model, which is a limitation for achieving better performance. Moreover, face verification is known to exhibit bias, which has not been dealt with by previous kinship verification works and sometimes even results in serious issues. So we first combine existing kinship datasets and label each identity with the correct race in order to take race information into consideration and provide a larger and complete dataset, called KinRace dataset. Secondly, we propose a multi-task learning model structure with attention module to enhance accuracy, which surpasses state-of-the-art performance. Lastly, our fairness-aware contrastive loss function with adversarial learning greatly mitigates racial bias. We introduce a debias term into traditional contrastive loss and implement gradient reverse in race classification task, which is an innovative idea to mix two fairness methods to alleviate bias. Exhaustive experimental evaluation demonstrates the effectiveness and superior performance of the proposed KFC in both standard deviation and accuracy at the same time.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google