Компьютерные науки > Компютерное видение и распознавание шаблонов [представлено 14 сентября 2026 года] Название: DenseFace: Bias Milling in Face Advisation через Pansity-Aware Probababilistic Wiew PDF HTML (экспериментальное) резюме: Несмотря на устойчивый прогресс в признании лиц, нынешние модели распознавания лиц попрежнему страдают от значительных демографических предубеждений. Хотя были предложены подходы к смягчению предубеждений, существующие методы зачастую ограничивают процедуру подготовки кадров и приводят к снижению точности признания. Для решения этой проблемы мы здесь введем метод, который уменьшает расовую предвзятость при использовании моделей предварительного распознавания лиц без ущерба для их точности. С этой целью мы моделируем лицо каждого человека с помощью фон Мис-Фишера (MF). Далее мы наблюдаем зависимость между демографическими характеристиками и плотностью распределения MF и предлагаем Denseface, вероятностную процедуру сопоставления лиц с учетом различий в распределении MF. Наши обширные эксперименты показывают, что DenseFace последовательно сокращает расовую предвзятость при использовании моделей сильного распознавания лиц в различных структурах сетей, учебных наборах данных и функциях потерь. В частности, DenseFace сохраняет точность распознавания и не требует переподготовки основной модели распознавания лиц. Наша работа также направлена на изучение ранее принятых мер предвзятого отношения и выработку предложений. Загрузка ссылок и цитат...…
DenseFace: Смягчение предубеждений при распознавании лиц с помощью вероятностного сопоставления данных о плотности
arXiv:2609.16149v1 Annualte Type: New High Brieft: Несмотря на устойчивый прогресс в признании лица, нынешние модели распознавания лиц по-прежнему страдают от значительных демографических предрассудков. Хотя были предложены подходы к смягчению предубеждений, существующие методы зачастую ограничивают процедуру подготовки кадров и приводят к снижению точности признания. Для решения этой проблемы мы здесь введем метод, который уменьшает расовую предвзятость при использовании моделей предварительного распознавания лиц без ущерба для их точности. С этой целью мы моделируем лицо каждого человека с помощью фон Мис-Фишера (MF). Далее мы наблюдаем зависимость между демографическими характеристиками и плотностью распределения MF и предлагаем Denseface, вероятностную процедуру сопоставления лиц с учетом различий в распределении MF. Наши обширные эксперименты показывают, что DenseFace последовательно сокращает расовую предвзятость при использовании моделей сильного распознавания лиц в различных структурах сетей, учебных наборах данных и функциях потерь.