Panasonic Connect, Panasonic R&D Center Singapore et NTU Singapore développent une nouvelle technologie pour résoudre les problèmes conventionnels de précision de la reconnaissance faciale liés à la race et au sexe

Un document de recherche publié lors de la Conférence internationale sur la vision par ordinateur (ICCV) 2023 présente une nouvelle méthode pour améliorer la précision, réduisant ainsi les fausses identifications et les erreurs

Tokyo, Japon–Panasonic Connect Co., Ltd. a annoncé aujourd'hui qu'une nouvelle technologie de reconnaissance faciale développée conjointement par Panasonic Connect, le Panasonic R&D Center Singapore (Singapore Research Institute) et NTU Singapore (Nanyang Technological University, Singapour) s'est avérée efficace pour améliorer la précision de la reconnaissance faciale auprès des personnes non caucasiennes et des femmes, qui constitue un problème conventionnel à l'échelle de l'industrie en raison des ensembles de données plus petits traditionnellement disponibles pour la formation des modèles de reconnaissance faciale. Un document de recherche sur la nouvelle méthode a été accepté pour publication lors de la Conférence internationale sur la vision par ordinateur (ICCV) 2023 ^*1, la plus grande conférence dans le domaine de la reconnaissance d'images ^*2, soulignant la valeur internationale de la nouvelle technologie. ^*3

La technologie de reconnaissance faciale conventionnelle a tendance à avoir une faible précision de reconnaissance pour les races non caucasiennes et les femmes en raison des ensembles de données plus petits utilisés pour entraîner les modèles de reconnaissance. Des taux de précision de reconnaissance inférieurs peuvent ainsi conduire à des erreurs, voire à de fausses identifications. Pour résoudre ce problème, les trois organisations ont développé une technologie nommée « Invariant Feature Regularization for Fair Face Recognition » qui applique « l'apprentissage invariant basé sur la partition » (https://openaccess.thecvf.com/content/ICCV2023/html/Ma_Invariant_Feature_Regularization_for_Fair_Face_Recognition_ICCV_2023_paper .html) méthode d'apprentissage profond à la reconnaissance faciale pour la première fois. ^*4 En apprenant un modèle de reconnaissance faciale communément efficace pour divers attributs, cette technologie a réussi à réduire le taux d'erreur pour les courses avec de petits ensembles de données et le taux d'erreur pour les femmes, sans compromettre la précision pour les courses avec de grands ensembles de données.
Panasonic Connect s'engage à créer des environnements équitables pour tous, sans distinction de nationalité ou de sexe. La nouvelle technologie reflète nos efforts continus pour garantir que les applications de reconnaissance faciale puissent être utilisées de manière égale et équitable, sans distinction de race ou de sexe.

Panasonic Connect s'engage à créer des environnements équitables pour tous, sans distinction de nationalité ou de sexe. La nouvelle technologie reflète nos efforts continus pour garantir que les applications de reconnaissance faciale puissent être utilisées de manière égale et équitable, sans distinction de race ou de sexe.

Fond de recherche

Avec la technologie de reconnaissance faciale fournie par Panasonic Connect, l'entreprise vise à créer des conditions équitables pour tous. Cependant, un problème général à l'échelle de l'industrie est que la précision de la reconnaissance faciale a tendance à être inférieure pour les races et les sexes pour lesquels il existe de petits ensembles de données à partir desquels s'entraîner. Les données d’entraînement à la reconnaissance faciale reflètent les proportions réelles de la population, de sorte que l’ampleur des données varie selon les races et les sexes. La technologie d’apprentissage profond, qui constitue la base de la technologie de reconnaissance faciale, nécessite de grandes quantités de données d’entraînement et est affectée par les différences de taille de ces données, ce qui entraîne des différences de précision entre les attributs (races et sexes).

Méthode proposée

Pour atténuer les effets de ce biais dans les données d’apprentissage facial, le développement conjoint s’est concentré sur une technique d’apprentissage profond appelée apprentissage invariant basé sur les partitions. La méthode divise automatiquement les données d'entraînement facial en groupes (partitions) pour chaque attribut, comme le montre le diagramme ci-dessous, en utilisant la difficulté de reconnaissance comme indicateur. Il apprend également la représentation des caractéristiques invariantes qui améliore la précision de toutes les partitions. En effectuant cet apprentissage invariant basé sur les partitions à plusieurs reprises, la représentation des caractéristiques invariablement disponibles pour diverses partitions, telles que la race et le sexe, est apprise - c'est-à-dire qu'un modèle de reconnaissance faciale efficace pour une variété d'attributs est appris étape par étape.

Cette méthode, combinée à la méthode conventionnelle de reconnaissance faciale, a obtenu la précision la plus élevée avec une précision moyenne pour quatre groupes raciaux (africains, caucasiens, sud-asiatiques et est-asiatiques) dans le cadre du Masked Face Recognition Challenge ^*5, un ensemble de données d'évaluation qui peut vérifier l'exactitude. pour chaque groupe racial. En outre, cela a réduit le taux d'erreur d'acceptation des femmes par rapport à la méthode conventionnelle de reconnaissance faciale sur CelebA ^*6, un ensemble de données d'évaluation qui valide l'exactitude par sexe.

*1 : Une conférence de recherche parrainée par la Computer Society de l'Institute of Electrical and Electronics Engineers (IEEE) et la CVF (Computer Vision Foundation), organisée tous les deux ans. Elle est considérée comme l'une des principales conférences sur la vision par ordinateur, avec la CVPR (Computer Vision and Pattern Recognition Conference) et l'ECCV (European Conference on Computer Vision).

*2 : La reconnaissance d'images est la technologie logicielle permettant d'identifier des objets, des lieux, des personnes, etc. dans des images numériques.

*3 : Avec l'augmentation de la recherche dans le domaine de la vision par ordinateur ces dernières années, la difficulté d'acceptation a augmenté et le taux d'acceptation à l'ICCV 2023 était de 26,15 %.

*4 : Au 10 octobre 2023 (selon nos propres recherches).

*5 : Défi de reconnaissance des visages masqués. Un concours qui fournit des ensembles de données d'évaluation pour divers sujets tels que les masques, les nourrissons et les courses multiples. L'article publié vérifie l'exactitude de chaque course à l'aide d'un ensemble de données d'évaluation ciblant plusieurs courses.

*6 : Ensemble de données d'attributs CelebFaces à grande échelle. Il fournit des étiquettes de vérité terrain pour des attributs précis, par exemple le sexe, la couleur des cheveux et le style. L'article publié vérifie l'exactitude de chaque sexe à l'aide de cet ensemble de données.

L'article accepté à l'ICCV 2023 :

Régularisation des caractéristiques invariantes pour une reconnaissance faciale équitable
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

À propos de Panasonic Connect

Panasonic Connect Co., Ltd. (https://connect.panasonic.com/) a été créée le 1er avril 2022 dans le cadre du passage du groupe Panasonic (https://www.panasonic.com/global) à une société opérationnelle système. Avec environ 29 500 employés dans le monde et un chiffre d'affaires annuel de 1 125,7 milliards JPY, la société joue un rôle central dans la croissance de l'activité de solutions B2B du groupe Panasonic et offre une nouvelle valeur à ses clients en combinant du matériel avancé, des solutions logicielles intelligentes et une richesse de connaissances. en génie industriel accumulé au cours de son histoire de plus de 100 ans. L'objectif de l'entreprise est de « Changer le travail, faire progresser la société, se connecter à demain ». En favorisant l'innovation dans les secteurs de la chaîne d'approvisionnement, des services publics, des infrastructures et du divertissement, Panasonic Connect vise à contribuer à la réalisation d'une société durable et à garantir bien-être de tous.

スクロールできます

Le contenu de ce site Web est exact au moment de la publication mais peut être sujet à changement sans préavis.
Veuillez donc noter que ces documents ne contiennent pas toujours les informations les plus récentes.
Veuillez noter que les versions allemande, française et chinoise sont des traductions automatiques, de sorte que la qualité et la précision peuvent varier.