Trueface解释了脸部生物识别模型中的偏差

TFV5降低了种族之间的性能差距

面部识别 - 数据库

trueface.他说,Fairface面部生物测量数据集在其TFV5面部识别模型中有助于量化偏置因素,使公司能够降低种族之间准确性的差异。Cyrus Behroozi是该公司的计算机视觉软件开发人员,在帖子中阐述中等的TFV5 Trueface评估结果。

该帖子还提供了一个蓝图,指导客户通过提高其模型的操作阈值来降低面部识别应用中的误报。

在帖子中,Behroozi列出了TFv5模型与其前任TFV4之间的可量化差异。一个显着差异是所有种族和性别团体的偏差减少,包括东亚和东南亚人,Behroozi说通常不足。这是由于向训练数据集添加了从不足的组的补充图像。

“Fairface DataSet包含来自七个主要种族群体的平衡数量的面部图像,并且不包含每个身份的单个图像。在评估中,我们为数据集中的每个图像生成面部识别模板,然后将每个面部模板与彼此进行比较以产生相似度分数,“他解释说明。

与TFV4相比,新型模型似乎在历史上,从东南和南亚的历史上表现不足的族裔群体中偏差显着下降。Behroozi指出,这主要是由于由这些组的图像组成的道德生物训练数据集。

Behroozi还指出,无论性别和种族如何,这可以带来技术股权。他进一步补充说,在应用于生物识别访问控制方案时,误报的降低也可以降低安全风险。“一般来说,我们建议我们的客户在相似度得分阈值下运行0.3至0.4,尽管精确的阈值最终由所需的假率或假负速率决定。他补充说,您将在下面的两个地块中注意到的两块图中,TFV5在运营区域中的误报率显着较少。“

这篇文章是一个后续行动Trueface的初步审查在2020年发布的生物识别面部识别模型中的偏差因素。在IT中,Behroozi说明了如何设计与Fairface的评估。

这篇文章于2020年3月30日星期二的下午6:33更新,以澄清对算法所做的更改的细节。

相关文章

文章主题

||||||||

注释

发表评论

本网站使用AkisMet减少垃圾邮件。了解如何处理评论数据

大多数本周读书

特色公司

生物识别研究

生物识别白纸白皮书

生物识别事件

解释生物识别