盡管面部識別系統(tǒng)表示具有編碼個人身份的能力，但是，最近的工作表明，其中存儲了很多信息。由歐洲生物識別協(xié)會（EAB）組織，由Fraunhofer IGD研究科學(xué)家PhilippTerh?rst研究了這些問題。
面部生物識別模板中嵌入了多少軟生物特征，并且這些屬性通常與面部驗證性能具有很強(qiáng)的相關(guān)性。
該事件分為三個部分，每個部分回答一個不同的問題。
臉部模板中存儲了什么信息？
根據(jù)Terh?rst所說，存儲在面部生物識別模板中的主要信息包括人口統(tǒng)計，圖像特征和社會特征。
由弗勞恩霍夫（Fraunhofer）IGD科學(xué)家進(jìn)行的研究分析了涉及113個屬性的兩個面部模板。
Terh?rst通過訓(xùn)練大量的屬性分類器（MAC）來共同預(yù)測多個屬性，例如面部形狀，胡須類型以及個人是否涂有口紅，來實現(xiàn)這一目標(biāo)。
實驗期間測試的生物特征識別算法是LFW和CelebA。Terh?rst的團(tuán)隊分析了來自五千多人的一萬三千張圖像以及來自LFW的多達(dá)73個屬性注釋。CelebA測試考慮了來自一萬多個名人的40萬個圖像和40個二進(jìn)制屬性。
通過FaceNet和ArcFace嵌入進(jìn)行了測試，結(jié)果表明，頭部姿勢和社交特征最容易預(yù)測。
面部的幾何形狀，鼻子和圖像質(zhì)量等也是可以預(yù)測的，而皮膚，嘴巴和環(huán)境則是最難預(yù)測的特征。
它與面部識別的公平性有何關(guān)系？
為了評估這些偏差，Terh?rst隨后著手分析軟生物學(xué)特性對面部識別算法（尤其是ArcFace和FaceNet）的性能的影響。
為此，科學(xué)家團(tuán)隊使用了名為MAAD-Face的數(shù)據(jù)庫，其中包含大量的面部圖像，并具有多個高質(zhì)量的屬性注釋。
這些包括針對每個屬性的六個陽性/陰性對照組，這些對照組是通過從數(shù)據(jù)庫中隨機(jī)選擇樣本創(chuàng)建的。這些合成組的樣本數(shù)量與陽性/陰性樣本的數(shù)量相同。
如果我們有一萬個帶有眼鏡的樣本圖像，而有九萬個沒有眼鏡的樣本圖像，那么對于陽性對照組，我們只會尋找隨機(jī)選擇的一萬個樣本，而對于陰性對照組，我們會隨機(jī)選擇九萬個樣本
通過對照組分析這兩種面部識別算法的結(jié)果表明，就人口統(tǒng)計學(xué)而言，中年、老年人、白人和男性個體的識別準(zhǔn)確率要高于年輕、亞洲、黑人和女性個體。
考慮到與能見度相關(guān)的屬性，前額完全可見，發(fā)際線后退，禿頂，不戴眼鏡的人比受阻的前額、劉海、眼鏡和卷發(fā)的人準(zhǔn)確率更高。
帽子、耳環(huán)、口紅和眼鏡等臨時屬性也降低了面部識別算法的精度，而拱形眉毛、大或尖的鼻子、濃密的眉毛、雙下巴和高骨高則有助于提高準(zhǔn)確率。
與個人的非中立表情相反，這兩種算法在笑臉和閉嘴時也得分更高。根據(jù)Terh?rst的說法，這可能是由于來自數(shù)據(jù)庫的大量圖像來自名人。
其他偏見還考慮了使用者的頭發(fā)和眼睛的顏色，以及他們是否留著胡須。
如何減輕面部識別的偏見？
Terh?rst解釋說，了解人臉模板中的編碼信息可能有助于開發(fā)緩解偏見的解決方案，然后繼續(xù)進(jìn)行網(wǎng)絡(luò)研討會的第三部分。
然而，據(jù)這位科學(xué)家稱，該領(lǐng)域的先前工作需要事先標(biāo)記與偏差相關(guān)的屬性，并且只能減輕特定的偏差。
據(jù)報道，還已知這些動作會降低面部識別算法的整體性能，并且在集成到現(xiàn)有系統(tǒng)中時會遇到困難。
傳統(tǒng)系統(tǒng)的一種可能替代方法是公平分?jǐn)?shù)歸一化（FNS）。Terh?rst解釋說，該技術(shù)可以對未標(biāo)記的數(shù)據(jù)進(jìn)行操作，并有效緩解未知來源的偏差。
據(jù)稱，F(xiàn)NS還可以顯著改善面部識別系統(tǒng)的性能，并且可以輕松地集成到現(xiàn)有系統(tǒng)中。
