松下互联株式会社、松下新加坡研发中心、新加坡南洋理工大学开发新技术来解决围绕种族和性别的面部识别准确性的传统问题

日本东京–松下互联株式会社有限公司今天宣布，由松下互联株式会社、松下新加坡研发中心（新加坡研究院）和 NTU Singapore（新加坡南洋理工大学）联合开发的新型面部识别技术已被证明可有效改善非白人和女性面部识别的准确性，由于传统上可用于训练面部识别模型的数据集较小，这一直是一个传统的全行业问题。该新方法的研究论文已在图像识别领域的顶级会议国际计算机视觉会议（ICCV）2023 ^*1​ ​^*2上接受发表，凸显了该新技术的国际价值。^*3

由于用于训练识别模型的数据集较小，传统的面部识别技术对于非白人种族和女性的识别准确率往往较低。较低的识别准确率可能会导致错误甚至错误识别。为了解决这个问题，这三个组织开发了一种名为“公平人脸识别的不变特征正则化”的技术，该技术应用“基于分区的不变学习”（https://openaccess.thecvf.com/content/ICCV2023/html/Ma_Invariant_Feature_Regularization_for_Fair_Face_Recognition_ICCV_2023_paper .html）首次将深度学习方法应用于面部识别。^*4通过学习对各种属性普遍有效的面部识别模型，该技术成功降低了小数据集比赛的错误率和女性的错误率，同时又不影响大数据集比赛的准确性。
松下互联株式会社致力于为每个人创造公平的环境，无论国籍或性别。这项新技术体现了我们为确保面部识别应用程序能够得到平等和公平的使用而做出的持续努力，无论种族或性别如何。

松下互联株式会社致力于为每个人创造公平的环境，无论国籍或性别。这项新技术体现了我们为确保面部识别应用程序能够得到平等和公平的使用而做出的持续努力，无论种族或性别如何。

借助松下互联株式会社提供的面部识别技术，该公司旨在为所有人创造公平的条件。然而，传统上全行业普遍存在的问题是，对于种族和性别而言，面部识别的准确性往往较低，因为可供训练的数据集较小。面部识别的训练数据反映了现实世界的人口比例，因此数据规模因种族和性别而异。构成面部识别技术基础的深度学习技术需要大量的训练数据，并且受到数据大小差异的影响，导致属性（种族和性别）之间的准确度存在差异。

该方法与传统人脸识别方法相结合，在蒙面人脸识别挑战赛^*5中，四个种族群体（非洲人、高加索人、南亚人和东亚人）的准确率达到最高，平均准确率达到了平均水平，这是一个可以验证准确率的评估数据集对于每个种族群体。此外，与按性别验证准确性的评估数据集 CelebA ^*6上的传统人脸识别方法相比，它降低了女性接受错误率。

*1：由电气电子工程师协会（IEEE）计算机学会和CVF（计算机视觉基金会）主办的研究会议，每两年举行一次。它与 CVPR（计算机视觉和模式识别会议）和 ECCV（欧洲计算机视觉会议）一起被认为是顶级计算机视觉会议之一。

*2：图像识别是识别数字图像中的物体、地点、人物等的软件技术。

*3：随着近年来计算机视觉领域研究的增多，接受难度也随之增加，ICCV 2023 的接受率为 26.15%。

*4：截至2023年10月10日（根据我们自己的研究）。

*5：蒙面人脸识别挑战。提供口罩、婴儿、多种族等多种主体评价数据集的竞赛。发表的论文使用针对多个比赛的评估数据集验证了每个比赛的准确性。

*6：大规模CelebFaces属性数据集。它为细粒度属性（例如性别、头发颜色和风格）提供真实标签。发表的论文使用该数据集验证了每个性别的准确性。

用于公平人脸识别的不变特征正则化
https://openaccess.thecvf.com/content/ICCV2023/html/Ma_Invariant_Feature_Regularization_for_Fair_Face_Recognition_ICCV_2023_paper.html
马嘉丽、岳中奇、加贺屋智之、铃木智树、Karlekar Jayashree、Sugiri Pranata、张汉旺