Uncovering demographic information on deep-face features
O reconhecimento facial é uma das aplicações mais bem-sucedidas do Aprendizado Profundo, com a chegada das Redes Neurais Convolucionais (CNN) sendo associada a resultados revolucionários nos últimos anos. No entanto, o aspecto inovador do uso de CNNs não mudou o pipeline básico do reconhecimento facial: detecção facial, pré-processamento, extração de características e comparação/reconhecimento. Este artigo investiga a possibilidade de inferir informações demográficas a partir de características faciais geradas por CNNs treinadas para o reconhecimento facial. Modelos pré-treinados em três arquiteturas diferentes (ArcFace, DeepFace e FaceNet) são usados para extrair características de faces de cinco conjuntos de dados distintos: Fairface, UTKFaces, Labeled Faces in the Wild, Racial Faces in the Wild e CelebA. Características e rótulos do conjunto de dados Fairface são usados para treinar classificadores de redes neurais para gênero (feminino e masculino) e etnia (africana, asiática, caucasiana e indiana). Foram observadas diferenças no desempenho dos classificadores, dependendo de qual modelo/arquitetura de reconhecimento facial é usado como extrator de características. Alguns dos classificadores treinados mostraram uma melhoria no desempenho em comparação com os resultados na literatura e variância muito baixa entre grupos demográficos.
Uncovering demographic information on deep-face features
-
DOI: 10.22533/at.ed.3173162311059
-
Palavras-chave: reconhecimento facial, aprendizado profundo, transfer learning
-
Keywords: face recognition, deep learning, transfer learning
-
Abstract:
Facial recognition is one of the most successful applications of Deep Learning, with the advent of Convolution Neural Networks (CNN) being associated with break-through results in the last few years. The novel aspect of the use of CNNs has not changed the basic facial recognition pipeline, though: facial detection, pre-processing, feature extraction, and comparison/recognition. This paper investigates the possibility of inferring demographic information from facial features generated by CNNs trained for facial recognition. Pre-trained models on three different architectures (ArcFace, DeepFace and FaceNet) are used to extract features from faces of five distinct datasets: Fairface, UTKFaces, Labeled Faces in the Wild, Racial Faces in the Wild, and CelebA. Features and labels from the Fairface dataset are used to train neural networks classifiers for gender (female and male) and ethnicity (african, asian, caucasian and indian). Differences in the performance of the classifiers were observed, depending on which facial recognition model/architecture is used as feature extractor. Some of the trained classifiers showed an improvement in performance compared to results in the literature and very low variance among demographic groups.
- Rafael Oliveira Ribeiro
