ترجمه فارسی مقاله LabellessFace: یادگیری متریک منصفانه برای تشخیص چهره بدون برچسب ویژگی

چکیده

Demographic bias is one of the major challenges for face recognition systems. The majority of existing studies on demographic biases are heavily dependent on specific demographic groups or demographic classifier, making it difficult to address performance for unrecognised groups. This paper introduces “LabellessFace”, a novel framework that improves demographic bias in face recognition without requiring demographic group labeling typically required for fairness considerations. We propose a novel fairness enhancement metric called the class favoritism level, which assesses the extent of favoritism towards specific classes across the dataset. Leveraging this metric, we introduce the fair class margin penalty, an extension of existing margin-based metric learning. This method dynamically adjusts learning parameters based on class favoritism levels, promoting fairness across all attributes. By treating each class as an individual in facial recognition systems, we facilitate learning that minimizes biases in authentication accuracy among individuals. Comprehensive experiments have demonstrated that our proposed method is effective for enhancing fairness while maintaining authentication accuracy.

چکیده به فارسی (ترجمه ماشینی)

تعصب دموگرافیک یکی از مهمترین چالش های سیستم های تشخیص چهره است.اکثر مطالعات موجود در مورد تعصبات جمعیتی به شدت به گروه های جمعیتی خاص یا طبقه بندی کننده جمعیتی وابسته است و رسیدگی به عملکرد برای گروه های ناشناس را دشوار می کند.در این مقاله “Labellessface” معرفی شده است ، یک چارچوب جدید که باعث افزایش تعصب جمعیتی در تشخیص چهره می شود بدون اینکه نیاز به برچسب زدن به گروه جمعیتی داشته باشد که معمولاً برای ملاحظات انصاف مورد نیاز است.ما یک متریک تقویت انصاف جدید به نام سطح طرفداری کلاس را پیشنهاد می کنیم ، که میزان طرفداری از کلاسهای خاص را در سراسر مجموعه داده ارزیابی می کند.با استفاده از این متریک ، ما مجازات حاشیه کلاس عادلانه ، گسترش یادگیری متریک مبتنی بر حاشیه موجود را معرفی می کنیم.این روش به صورت پویا پارامترهای یادگیری را بر اساس سطح طرفداری کلاس تنظیم می کند و انصاف را در تمام ویژگی ها ارتقا می بخشد.با درمان هر کلاس به عنوان یک فرد در سیستم های تشخیص چهره ، ما یادگیری را تسهیل می کنیم که تعصب در صحت تأیید اعتبار در بین افراد را به حداقل می رساند.آزمایش های جامع نشان داده اند که روش پیشنهادی ما برای تقویت انصاف ضمن حفظ صحت احراز هویت مؤثر است.