|
DOI: 10.14489/vkit.2025.12.pp.013-022
Бекетова И. В., Герасименко А. А., Горемычкин В. И., Худяков А. М., Горбачев В. А.
ОПТИМИЗАЦИЯ ИДЕНТИФИКАЦИИ ИЗОБРАЖЕНИЙ ЛИЦ С ИСПОЛЬЗОВАНИЕМ АДАПТИВНЫХ ПОРОГОВ СХОДСТВА ДЛЯ РАЗНЫХ ЭТНИЧЕСКИХ ГРУПП
(c. 13-22)
Аннотация. Рассмотрена проблема смещения точности идентификации лиц в предобученных нейросетевых моделях при использовании единого фиксированного порога сходства для разных этнических групп. Предложен метод адаптивной коррекции порогов сходства на основе классификации этнической принадлежности лиц, не требующий дообучения модели. Классификация изображений выполняется с помощью модели на основе градиентного бустинга. При этом есть возможность эффективно работать с ограниченными данными. Экспериментальные исследования подтверждают, что адаптивные пороги снижают количество ошибок FAR/FRR для этнических групп с изначально низким качеством распознавания, сохраняя при этом высокую точность для остальных случаев.
Ключевые слова: идентификация изображений лиц; адаптивный порог сходства; этническая принадлежность; сверточная нейронная сеть; градиентный бустинг; мультиклассовый классификатор.
Beketova I. V., Gerasimenko A. A., Goremychkin V. I., Khudyakov A. M., Gorbachev V. A.
OPTIMIZATION OF FACE IMAGE IDENTIFICATION USING ADAPTIVE SIMILARITY THRESHOLDS FOR DIFFERENT ETHNIC GROUPS
(pp. 13-22)
Abstract. This paper examines the problem of face identification accuracy bias in pretrained neural network models when using a single fixed similarity threshold for different ethnic groups. This bias can be caused by an imbalance in the composition of the training data and by the architectural features of the neural network model, which are optimized for recognizing faces of the predominant group. This paper proposes compensating for this model accuracy bias through adaptive similarity thresholds assigned to each ethnic group. The adaptive similarity thresholds are selected based on the ethnicity predicted by a multi-class classifier based on a biometric descriptors obtained from the neural network model. The method does not require modification of the pretrained neural network model, which is critical in the absence of data for fine-tuning. In this case, the model remains unchanged, and the universal properties of biometric descriptors are preserved. Building a multi-class ethnicity classifier based on the gradient boosting method ensures maximum accuracy with minimal computational load, which is critical when processing large volumes of data. Thanks to regularization and adaptive learning, the gradient boosting-based model demonstrates good performance even with noisy data. Experimental studies have shown that adaptive similarity thresholds reduce the FAR/FRR error rates for ethnic groups initially recognized by the model poorly. At the same time, high accuracy is maintained for groups for which the model already performed well.
Keywords: Face image identification; Adaptive similarity threshold; Ethnicity; Convolutional neural network; Gradient boosting; Multiclass classifier.
И. В. Бекетова, А. А. Герасименко, В. И. Горемычкин, А. М. Худяков (филиал Государственного научно-исследовательского института авиационных систем «Центр обработки документов», Москва, Россия)
В. А. Горбачев (Государственный научно-исследовательский институт авиационных систем, Москва, Россия) E-mail:
Этот e-mail адрес защищен от спам-ботов, для его просмотра у Вас должен быть включен Javascript
I. V. Beketova, A. A. Gerasimenko, V. I. Goremychkin, A. M. Khudyakov (Branch of GosNIIAS Document Processing Center, Moscow, Russia)
V. A. Gorbachev (GosNIIAS, Moscow, Russia) E-mail:
Этот e-mail адрес защищен от спам-ботов, для его просмотра у Вас должен быть включен Javascript
1. Alice J. O’Toole1, Carlos D. Castillo. Face Recognition by Humans and Machines: Three Fundamental Advances from Deep Learning // Annual Reviews Vis Sci. 2021. V. 7. P. 543–570. DOI: 10.1146/annurev-vision-093019-111701
2. Characterizing the Variability in Face Recognition Accuracy Relative to Race // K. S. Krishnapriya, Vangara Kushal, C. King Michael et al // CVPRW. 2019.
3. Wang M., Deng W. Mitigating Bias in Face Recognition Using Skewness-Aware Reinforcement Learning // IEEE Transactions on Pattern Analysis and Machine Intelligence. 2022. V. 44, № 9. P. 5040–5056.
4. Косыгин О. А. Особенности портретной иден¬тификации лиц различных этнических групп // Федерация судебных экспертов. 2024. URL: https://sud-expertiza.ru/library/osobennosti-portretnoy-identifikacii-lic-razlichnyh-etnicheskih-grupp/.
5. Зинин А. М., Виниченко И. Ф. Криминалистическая фотопортретная экспертиза. М.: ВНКЦ МВД СССР, 1991.
6. King D. E. High Quality Face Recognition with Deep Metric Learning. Dlib Blog. 2017. URL: https://blog.dlib.net/2017/02/high-quality-face-recognition-with-deep.html.
7. Chen T., Guestrin C. XGBoost: A Scalable Tree Boosting System // Proceedings of the 22nd ACM SIGKDD International Conference on Knowledge Discovery and Data Mining. San Francisco, California, USA. 13–17 August 2016. P. 785–794.
8. Scikit-learn developers. GradientBoosting Classifier. Scikit-learn 1.6.1 documentation. URL: https://scikit-learn.org/stable/modules/generated/sklearn.ensemble.GradientBoostingClassifier.html.
9. Kim M., Jain A. K., Liu X. AdaFace: Quality Adaptive Margin for Face Recognition // IEEE/CVF Conference on Computer Vision and Pattern Recognition (CVPR 2022). 18–24 June 2022. New Orleans, LA, USA. URL: https://www.computer.org/csdl/proceedings/cvpr/2022/1H1gVMlkl32
10. Meng Q., Zhao S., Huang Z., Zhou F. MagFace: A Universal Representation for Face Recognition and Quality Assessment // IEEE Transactions on Pattern Analysis and Machine Intelligence (TPAMI). 2023. V. 45(1). P. 1–18.
11. Report of National Institute of Standards and Technology // P. Grother, M. Ngan, K. Hanaoka et al. // Face Recognition Technology Evaluation (FRTE 2025) Part 1: Verification. URL: https://pages.nist.gov/frvt/reports/11/frvt_11_report.pdf.
1. O’Toole, A. J., & Castillo, C. D. (2021). Face recognition by humans and machines: Three fundamental advances from deep learning. Annual Review of Vision Science, 7, 543–570. https://doi.org/10.1146/annurev-vision-093019-111701
2. Krishnapriya, K. S., Vangara, K., King, M. C., Albiero, V., & Bowyer, K. W. (2019). Characterizing the variability in face recognition accuracy relative to race. 2019 IEEE/CVF Conference on Computer Vision and Pattern Recognition Workshops (CVPRW).
3. Wang, M., & Deng, W. (2022). Mitigating bias in face recognition using skewness-aware reinforcement learning. IEEE Transactions on Pattern Analysis and Machine Intelligence, 44(9), 5040–5056.
4. Kosygin, O. A. (2024). Osobennosti portretnoi identifikatsii lits razlichnykh etnicheskikh grupp. Federation of Forensic Experts. [in Russian language]. https://sud-expertiza.ru/library/osobennosti-portretnoy-identifikacii-lic-razlichnyh-etnicheskih-grupp/
5. Zinin, A. M., & Vinichenko, I. F. (1991). Kriminalisticheskaia fotoportretnaia ekspertiza. VNKT͡S MVD SSSR. [in Russian language]
6. King, D. E. (2017, February 6). High quality face recognition with deep metric learning. Dlib Blog. http://blog.dlib.net/2017/02/high-quality-face-recognition-with-deep.html
7. Chen, T., & Guestrin, C. (2016). XGBoost: A scalable tree boosting system. Proceedings of the 22nd ACM SIGKDD International Conference on Knowledge Discovery and Data Mining, 785–794.
8. Scikit-learn developers. (n.d.). GradientBoosting-Classifier. Scikit-learn 1.6.1 documentation. Retrieved [Date you accessed it], from https://scikit-learn.org/stable/modules/generated/sklearn.ensemble.GradientBoostingClassifier.html
9. Kim, M., Jain, A. K., & Liu, X. (2022). AdaFace: Quality adaptive margin for face recognition. In 2022 IEEE/CVF Conference on Computer Vision and Pattern Recognition (CVPR) (pp. 18741-18750). IEEE Computer Society. https://www.computer.org/csdl/proceedings/cvpr/2022/1H1gVMlkl32
10. Meng, Q., Zhao, S., Huang, Z., & Zhou, F. (2023). MagFace: A universal representation for face recognition and quality assessment. IEEE Transactions on Pattern Analysis and Machine Intelligence, 45(1), 1–18. https://doi.org/10.1109/TPAMI.2022.3155748
11. National Institute of Standards and Technology. (2025). Face recognition technology evaluation (FRTE) 2025 part 1: Verification (Report No. NIST IR 8497). U.S. Department of Commerce. https://pages.nist.gov/frvt/reports/11/frvt_11_report.pdf
Статью можно приобрести в электронном виде (PDF формат).
Стоимость статьи 700 руб. (в том числе НДС 20%). После оформления заказа, в течение нескольких дней, на указанный вами e-mail придут счет и квитанция для оплаты в банке.
После поступления денег на счет издательства, вам будет выслан электронный вариант статьи.
Для заказа скопируйте doi статьи:
10.14489/vkit.2025.12.pp.013-022
и заполните форму
Отправляя форму вы даете согласие на обработку персональных данных.
.
This article is available in electronic format (PDF).
The cost of a single article is 700 rubles. (including VAT 20%). After you place an order within a few days, you will receive following documents to your specified e-mail: account on payment and receipt to pay in the bank.
After depositing your payment on our bank account we send you file of the article by e-mail.
To order articles please copy the article doi:
10.14489/vkit.2025.12.pp.013-022
and fill out the form
.
|
Текущий номер
Разработка концепции и создание сайта - ООО «Издательский дом «СПЕКТР»