面具掩面：探究口罩遮挡的人脸再识别偏见
内容提要
该文综述口罩人脸识别研究，包括生成对抗性口罩欺骗识别系统、构建实时口罩数据集提升FACENET识别率、建立在线测试系统，并用VGG16、ResNet50和Inception ResNet v1微调，最佳准确率达95%。同时探讨种族、年龄、性别交叉偏见及饰品、发型等属性的影响，提出亚组阈值方法减少偏差，并介绍低分辨率监控识别基准QMUL-SurvFace。
延伸解读
口罩识别中的对抗性风险
文章指出，配备口罩检测器的现代人脸识别系统存在潜在漏洞。研究人员提出生成逼真的对抗性口罩面孔以欺骗系统，实验表明这对近期深度学习人脸识别系统具有破坏性。这提醒我们，在提升口罩识别准确率的同时，也需关注系统安全性，防范恶意攻击。
数据增强与模型微调的有效性
针对戴口罩人脸识别挑战，研究通过数据增强策略和微调预训练模型（如VGG16、ResNet50、Inception ResNet v1）来提升性能。在50个身份的测试中，最佳准确率达到95%。这表明，在特定场景下，结合数据增强和迁移学习能有效改善识别效果，但需注意数据集规模和多样性对泛化能力的影响。
交叉偏见与公平性挑战
文章深入分析了种族、年龄和性别等交叉偏见，发现人脸识别系统存在普遍偏见，不同人口统计因素导致显著不同的结果。研究引入不公平影响和不公平待遇等补充指标，并提出亚组特定阈值方法来减少偏差。这提示我们，公平性评估需考虑多重属性交叉，单一维度的分析可能掩盖更深层的不平等。
低分辨率监控识别的现实差距
QMUL-SurvFace基准测试显示，当前深度学习人脸识别模型在低分辨率监控图像上的表现远不能满足实际刑事犯罪调查需求。这表明，尽管口罩识别取得进展，但在真实监控场景中，分辨率低、姿态变化等因素仍构成重大挑战，技术落地需谨慎评估其可靠性。
Q&A
口罩遮挡对人脸识别系统主要带来哪些挑战？
口罩遮挡会给人脸识别带来巨大挑战，包括超大规模训练、数据噪声处理、口罩和非口罩人脸识别准确性平衡以及设计易于推理的模型架构等问题。
有哪些方法可以提高戴口罩人脸识别的准确率？
可以通过使用实时口罩检测增强数据集、利用MaskTheFace工具创建实时口罩数据集、微调预训练模型（如VGG16、ResNet50、Inception ResNet v1）、数据增强策略以及开发多粒度口罩脸识别模型等方法来提高准确率。
口罩人脸识别中能达到多高的准确率？
在50个身份的带口罩人脸识别测试中，最佳准确率达到95%；多粒度口罩脸识别模型的准确率也可达95%，超过行业报道的结果。
人脸识别系统存在哪些偏见？
人脸识别系统存在普遍偏见，不仅限于种族，不同的人口统计因素（如种族、年龄、性别及其组合）会导致显著不同的结果，此外饰品、发型、脸型等面部属性也会影响识别性能。
如何减少人脸识别系统中的偏见？
可以通过使用平衡的面孔集合数据集，学习亚组特定的阈值来消除避免面部识别系统中策略所导致的表现差异和偏差，从而在总体性能中表现出显著提高。
QMUL-SurvFace基准是什么？
QMUL-SurvFace是一个低分辨率监控图像的面部识别基准，利用五个具有代表性的深度学习面部识别模型进行了评估，结果表明目前的技术仍然远不能满足实际的刑事犯罪调查需求。
