种族偏差是生物特征识别中的一个重要问题，但在人脸识别领域还没有得到深入的研究。北京邮电大学邓伟洪教授团队的研究揭示了当前人脸识别算法中普遍存在跨国家/地区识别偏差问题，并构建了评价偏差程度的人脸数据集 RFW（Racial Faces in-the-Wild）。
在 RFW 数据库的基础上，研究人员验证了微软、亚马逊、百度、旷视的商业 API 以及学术界最先进的4个算法，发现偏差确实存在。为了探究这种偏差是否是由训练数据的分布不平衡引起的，研究人员收集了一个涵盖全球各地区人类信息的训练数据库，最终发现偏差的发生受到数据和算法两方面影响。研究人员提出了减小识别偏差的信息最大化自适应神经网络IMAN，以改进对目标域的识别能力。在RFW数据库上进行的大量实验表明，IMAN学习的特征具有在不同种族和不同数据库之间的泛化能力。该研究结果已经发表在国际计算机视觉大会ICCV2019上，本文为AI前线第99篇论文导读，我们将对这项研究成果进行详细解读。
1 背景介绍
人脸识别中的种族偏见
深度卷积神经网络的出现极大地推动了人脸识别的发展。然而，以往的研究中一直忽略了种族偏差的问题，而它明显降低了现实人脸识别系统的性能。特别对于非白种人来说，人脸识别系统的错误率很高。尽管有几项非深度人脸识别算法针对种族偏差做出了改进，但在深度学习时代，这一领域仍然是空白的，因为现有的种族偏见数据库由于其规模小和条件限制，不再适用于深度人脸识别算法；而常用的深度数据库测试数据库则不具有明显的种族多样性。
为了促进对这一问题的研究，作者构建了一个新的自然场景下的种族人脸（RFW）数据库，来公平地衡量深度人脸识别中的种族偏差。