Uncovering demographic information on deep-face features (Atena Editora)

Abstract

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.