Panasonic Connect, Panasonic R&D Centre Singapore und NTU Singapore entwickeln neue Technologien zur Lösung herkömmlicher Probleme bei der Genauigkeit der Gesichtserkennung im Zusammenhang mit Rasse und Geschlecht

Tokio, Japan–Panasonic Connect Co., Ltd. gab heute bekannt, dass sich eine neue Gesichtserkennungstechnologie, die gemeinsam von Panasonic Connect, dem Panasonic R&D Centre Singapore (Singapore Research Institute) und der NTU Singapore (Nanyang Technological University, Singapur) entwickelt wurde, als wirksam zur Verbesserung erwiesen hat die Genauigkeit der Gesichtserkennung bei Nichtkaukasiern und Frauen, die aufgrund der kleineren Datensätze, die traditionell für das Training von Gesichtserkennungsmodellen zur Verfügung standen, ein herkömmliches und branchenweites Problem war. Ein Forschungsbericht über die neue Methode wurde zur Veröffentlichung auf der International Conference on Computer Vision (ICCV) 2023 ^*1 angenommen, der führenden Konferenz im Bereich der Bilderkennung ^*2, was den internationalen Wert der neuen Technologie hervorhebt. ^*3

Herkömmliche Gesichtserkennungstechnologien weisen tendenziell eine geringe Erkennungsgenauigkeit für nicht-kaukasische Rassen und Frauen auf, da zum Trainieren der Erkennungsmodelle kleinere Datensätze verwendet werden. Eine geringere Erkennungsgenauigkeit kann daher zu Fehlern oder sogar falschen Identifizierungen führen. Um dieses Problem anzugehen, haben die drei Organisationen eine Technologie namens „Invariant Feature Regularization for Fair Face Recognition“ entwickelt, die das „partitionsbasierte invariante Lernen“ anwendet (https://openaccess.thecvf.com/content/ICCV2023/html/Ma_Invariant_Feature_Regularization_for_Fair_Face_Recognition_ICCV_2023_paper .html) Methode des Deep Learning zur Gesichtserkennung zum ersten Mal. ^*4 Durch das Erlernen eines Gesichtserkennungsmodells, das für verschiedene Attribute allgemein wirksam ist, ist es dieser Technologie gelungen, die Fehlerrate bei Rennen mit kleinen Datensätzen und die Fehlerrate bei Frauen zu reduzieren, ohne die Genauigkeit bei Rennen mit großen Datensätzen zu beeinträchtigen.
Panasonic Connect setzt sich dafür ein, ein faires Umfeld für alle zu schaffen, unabhängig von Nationalität oder Geschlecht. Die neue Technologie spiegelt unsere kontinuierlichen Bemühungen wider, sicherzustellen, dass Gesichtserkennungsanwendungen unabhängig von Rasse oder Geschlecht gleichermaßen und fair genutzt werden können.

Panasonic Connect setzt sich dafür ein, ein faires Umfeld für alle zu schaffen, unabhängig von Nationalität oder Geschlecht. Die neue Technologie spiegelt unsere kontinuierlichen Bemühungen wider, sicherzustellen, dass Gesichtserkennungsanwendungen unabhängig von Rasse oder Geschlecht gleichermaßen und fair genutzt werden können.

Mit der Gesichtserkennungstechnologie von Panasonic Connect möchte das Unternehmen faire Bedingungen für alle schaffen. Ein allgemeines branchenweites Problem besteht jedoch bisher darin, dass die Genauigkeit der Gesichtserkennung bei Rassen und Geschlechtern, für die nur wenige Datensätze zum Trainieren zur Verfügung stehen, tendenziell geringer ist. Die Trainingsdaten für die Gesichtserkennung spiegeln reale Bevölkerungsanteile wider, sodass der Umfang der Daten je nach Rasse und Geschlecht variiert. Die Deep-Learning-Technologie, die die Grundlage der Gesichtserkennungstechnologie bildet, erfordert große Mengen an Trainingsdaten und wird durch Unterschiede in der Größe dieser Daten beeinflusst, was zu Unterschieden in der Genauigkeit zwischen Attributen (Rassen und Geschlechter) führt.

Diese Methode erreichte in Kombination mit der herkömmlichen Gesichtserkennungsmethode die höchste Genauigkeit mit einer durchschnittlichen Genauigkeit für vier Rassengruppen (Afrikaner, Kaukasier, Südasiaten und Ostasiaten) bei der Masked Face Recognition Challenge ^*5, einem Bewertungsdatensatz, der die Genauigkeit überprüfen kann für jede Rassengruppe. Darüber hinaus wurde die Akzeptanzfehlerquote bei Frauen im Vergleich zur herkömmlichen Gesichtserkennungsmethode auf CelebA ^*6 reduziert, einem Bewertungsdatensatz, der die Genauigkeit nach Geschlecht validiert.

*1: Eine alle zwei Jahre stattfindende Forschungskonferenz, die von der Computer Society des Institute of Electrical and Electronics Engineers (IEEE) und der CVF (Computer Vision Foundation) gesponsert wird. Sie gilt neben CVPR (Computer Vision and Pattern Recognition Conference) und ECCV (European Conference on Computer Vision) als eine der Top-Computer-Vision-Konferenzen.

*2: Bilderkennung ist die Softwaretechnologie zur Identifizierung von Objekten, Orten, Personen usw. in digitalen Bildern.

*3: Mit der Zunahme der Forschung im Bereich Computer Vision in den letzten Jahren ist die Schwierigkeit der Akzeptanz gestiegen, und die Akzeptanzquote beim ICCV 2023 lag bei 26,15 %.

*4: Stand 10. Oktober 2023 (nach eigener Recherche).

*5: Herausforderung zur Erkennung maskierter Gesichter. Ein Wettbewerb, der Bewertungsdatensätze für verschiedene Themen wie Masken, Kleinkinder und mehrere Rassen bereitstellt. Das veröffentlichte Papier überprüft die Genauigkeit jedes Rennens anhand eines Bewertungsdatensatzes, der auf mehrere Rennen abzielt.

*6: Umfangreicher CelebFaces-Attributdatensatz. Es bietet fundierte Bezeichnungen für feinkörnige Attribute, z. B. Geschlecht, Haarfarbe und Stil. Die veröffentlichte Arbeit überprüft anhand dieses Datensatzes die Genauigkeit jedes Geschlechts.

Invariante Merkmalsregularisierung für faire Gesichtserkennung
https://openaccess.thecvf.com/content/ICCV2023/html/Ma_Invariant_Feature_Regularization_for_Fair_Face_Recognition_ICCV_2023_paper.html
Jiali Ma, Zhongqi Yue, Kagaya Tomoyuki, Suzuki Tomoki, Karlekar Jayashree, Sugiri Pranata, Hanwang Zhang