Fairere Gesichtserkennungssysteme entwickeln

Die Technologie zur Gesichtserkennung hat sich dank tiefen Lernmodellen, die auf grossen Datenmengen basieren, stark verbessert. Allerdings stammen diese Daten oft aus realen Beispielen, die nicht alle ethnischen Gruppen fair repräsentieren. Das führt dazu, dass die Systeme verzerrt sein können, was ernsthafte Probleme in der Gesellschaft und der Sicherheit verursachen kann. Um dieses Problem anzugehen, schlagen wir eine neue Methode vor, um vielfältige Bilder von Menschen mithilfe eines Prozesses namens StyleGAN2 zu erstellen, selbst wenn das ursprüngliche Modell Vorurteile hat.

#Das Problem mit aktuellen Daten zur Gesichtserkennung

Daten für die Gesichtserkennung zu sammeln, kann schwierig und teuer sein. Viele bestehende Datensätze fehlen an Vielfalt in Ethnizität und anderen demografischen Merkmalen. Das bedeutet, dass die Modelle, die auf diesen Datensätzen trainiert werden, möglicherweise nicht für alle gut funktionieren. Ausserdem treten Datenschutzprobleme auf, da viele Länder Gesetze zum Schutz persönlicher Daten haben, was es schwierig macht, Daten von vielen Menschen zu sammeln. Unternehmen haben für die Nutzung von Bildern ohne Zustimmung Kritik eingehandelt, was Bedenken hinsichtlich der Privatsphäre aufwirft.

#Ein neuer Ansatz: Generierung synthetischer Daten

Unser Ansatz zielt darauf ab, einen neuen Datensatz synthetischer Bilder zu erstellen, die verschiedene ethnische Gruppen repräsentieren, ohne grosse reale Datensätze zu benötigen. Mit generativen Modellen können wir kontrollierte Bilder erstellen, die unterschiedliche Beleuchtungen, Winkel und Hintergründe berücksichtigen. So können wir die Privatsphäre wahren, da synthetische Datensätze keine identifizierbaren persönlichen Informationen enthalten.

Obwohl generative Modelle Bilder erstellen können, zeigen bestehende Modelle wie StyleGAN2 eine Verzerrung zugunsten bestimmter Gruppen. Wenn wir zum Beispiel 10.000 Bilder von einem voreingenommenen Modell nehmen, erhalten wir möglicherweise nur sehr wenige Bilder für bestimmte Ethnien. Das macht es schwer, genügend Bilder für unterrepräsentierte Gruppen zu sammeln.

Anstatt von Grund auf neu zu beginnen oder echte Daten zu benötigen, nutzen wir einen cleveren Suchalgorithmus, um die richtigen Kombinationen zu finden, die vielfältige Identitäten generieren. Wir haben über 50.000 einzigartige synthetische Identitäten aus verschiedenen ethnischen Gruppen erstellt, was zu insgesamt 13,5 Millionen Bildern führte. Dieser grosse und vielfältige Datensatz wird helfen, bessere Systeme zur Gesichtserkennung zu trainieren.

#Training von Gesichtserkennungsmodellen mit neuen Daten

Sobald wir diesen synthetischen Datensatz erstellt haben, können wir Gesichtserkennungsmodelle mit diesen ausgewogenen Daten trainieren. Wir haben verschiedene Systeme zur Gesichtserkennung wie ArcFace, AdaFace und ElasticFace getestet, um zu sehen, wie gut sie mit unserem neuen Datensatz im Vergleich zu anderen abschneiden.

Wir haben herausgefunden, dass das Training mit unserem ausgewogenen synthetischen Datensatz zu einer besseren Leistung geführt hat. Zum Beispiel verbesserte sich die Erkennungsgenauigkeit erheblich für verschiedene ethnische Gruppen, wenn die Modelle mit unseren synthetischen Daten vortrainiert wurden. Das bedeutet, dass unsere Methode nicht nur bessere Modelle erstellt, sondern auch dazu beiträgt, Vorurteile zu reduzieren, die möglicherweise in Modellen bestehen, die nur mit echten Daten trainiert wurden.

#Wie wir synthetische Identitäten generiert haben

Um einzigartige synthetische Identitäten zu erstellen, haben wir einen Suchalgorithmus auf dem StyleGAN2-Modell verwendet, der es uns ermöglicht, den Prozess der Bilderzeugung zu steuern. Wir haben zufällig Ausgangspunkte im Modell ausgewählt und überprüft, ob die Bilder den gewünschten ethnischen Gruppen entsprachen. Wenn die Bilder nicht passten, haben wir kleine Änderungen am Ausgangspunkt vorgenommen und es erneut versucht.

Diese Methode ist effizient, da sie es uns ermöglicht, viele Identitäten zu erstellen, ohne das Modell feinabstimmen oder echte Daten sammeln zu müssen. Der Prozess kann unabhängig für verschiedene ethnische Gruppen ablaufen, was uns mehr Kontrolle darüber gibt, wie viele Proben wir für jede Gruppe benötigen.

Um mehrere Bilder jeder Identität zu generieren, haben wir Variationen in Ausdruck, Posen und Beleuchtung hinzugefügt, während wir die Identität konsistent hielten. Wir haben sechs verschiedene ethnische Gruppen einbezogen: Kaukasisch, Afrikanisch, Indisch, Asiatisch, Nahöstlich und Latino-Hispanisch, um einen inklusiveren Datensatz zu schaffen.

#Die Bedeutung eines ausgewogenen Datensatzes

Ein ausgewogener Datensatz ist entscheidend für die Erstellung fairer Gesichtserkennungsmodelle. Wenn die Modelle mit einer vielfältigen Auswahl an Bildern trainiert werden, können sie Menschen aus allen Hintergründen besser erkennen. Das hilft, Vorurteile zu reduzieren, die in traditionellen Systemen existieren, die oft Individuen aus unterrepräsentierten Gruppen falsch identifizieren.

Durch das Training von Modellen mit unserem synthetischen Datensatz können wir ihre Leistung verbessern und sie zuverlässiger machen. Die Ergebnisse zeigten, dass die Modelle nicht nur besser abschnitten, sondern auch fairer im Erkennen von Menschen aus verschiedenen ethnischen Hintergründen wurden.

#Anwendungen in der realen Welt und zukünftige Arbeiten

Über die Gesichtserkennung hinaus kann der Ansatz, den wir entwickelt haben, in verschiedenen Bereichen nützlich sein, wie z.B. bei der Klassifizierung von Alter, Geschlecht und Ethnizität. Das bedeutet, dass unsere Methode in vielen verschiedenen Bereichen angewendet werden kann, wo es einen Bedarf an ausgewogenen und vielfältigen Datensätzen gibt.

Für die Zukunft planen wir, diese Arbeit weiter auszubauen, indem wir andere Anwendungen der synthetischen Identitätsgenerierung erkunden. Wir werden auch weiterhin darauf achten, die Qualität und Vielfalt von synthetischen Datensätzen zu verbessern, um den Anforderungen der realen Welt gerecht zu werden.

#Fazit

Zusammenfassend haben wir eine Methode vorgestellt, um einen ausgewogenen und vielfältigen Datensatz synthetischer Identitäten mithilfe eines voreingenommenen generativen Modells zu generieren. Dieser Ansatz ermöglicht die Erstellung einer grossen Anzahl von einzigartigen Identitäten, ohne echte Daten zu benötigen. Unsere Ergebnisse zeigen, dass das Vortraining von Gesichtserkennungsmodellen mit diesem Datensatz zu besserer Leistung und weniger Vorurteilen führt. Diese Methode kann für verschiedene andere Aufgaben angepasst werden, und wir glauben, dass sie erheblich zur Schaffung fairerer Systeme in der Zukunft beitragen wird.