リサーチレーダー顔検出arXiv2026年6月

月次 arXiv レーダー

2026年6月の顔検出論文：公平性ベンチマーク、新生児検出、PADバイアス

2026年6月の顔検出論文は、生体パイプラインの最初の段階がよりaccountableになっていることを示す。fairness measurement、高リスク臨床domain adaptation、人口統計結果に影響するPAD architecture choiceが並ぶ。

本月の重要シグナル

今月のsignalはgovernanceである。顔検出器には監査用の人口統計label、臨床利用向けのdomain-specific validation、accuracyとfairnessの両面で評価したPAD architectureが必要だ。

論文 012026-06-30cs.CV

WIDER-FAIR：公平性評価のために注釈付けされたWIDER-FACE

arXiv PDF

著者・所属

Maxime Moussi

UCLouvain, Louvain-la-Neuve, Belgium

Benoît Ronval

UCLouvain, ICTEAM, Louvain-la-Neuve, Belgium

Siegfried Nijssen

UCLouvain, ICTEAM, Louvain-la-Neuve, Belgium

KU Leuven, DTAI, Leuven, Belgium

Félicien Schiltz

Euranova, Mont-Saint-Guibert, Belgium

何を解決するか

広く使われる検出benchmarkにはsensitive feature labelが少なく、fairness主張を検証しにくいという測定gapを扱う。

主要結果

実証ではBlack individualsの検出性能が目立って低く、このgroupをtrainingから除外すると他のethnic groupより格差が大きくなる。

要旨

WIDER-FAIRはWIDER-FACEのsubsetに知覚されたethnicityとsexの注釈を追加し、顔検出器の人口統計的格差を監査できるようにする。embedding、KNN、t-SNEで注釈の一貫性を確認し、YOLOv5 ablationでbias分析を示す。

研究の出発点

顔検出は認識、liveness、analyticsの最初の段階であることが多く、この段階の人口統計別miss rateは下流指標すべてに伝播する。

手法

著者は16,256画像に4つの知覚ethnicityと2つのsex categoryを手動注釈し、その注釈でtraining-data ablationを行い、特定groupの除外が検出fairnessをどう変えるかを示す。

論文要点

WIDER-FAIRは、検出器fairnessを逸話ではなく検証可能な証拠に移す点で重要である。vendorにとって、優れたbenchmark scoreでも適切な注釈がなければgroup-specific failureを隠しうるという警告になる。

論文 022026-06-18cs.CV

InfantFace：新生児臨床環境における乳児顔検出

arXiv PDF

著者・所属

Abdullah Bin-Obaid

Institute of Biomedical Engineering, Department of Engineering Science, University of Oxford, Oxford, United Kingdom

Maria M. Cobo

Department of Paediatrics, University of Oxford, Oxford, United Kingdom

Universidad San Francisco de Quito USFQ, Colegio de Ciencias Biológicas y Ambientales, Quito, Ecuador

Rebeccah Slater

Department of Paediatrics, University of Oxford, Oxford, United Kingdom

Lionel Tarassenko

Institute of Biomedical Engineering, Department of Engineering Science, University of Oxford, Oxford, United Kingdom

Mauricio Villarroel

Institute of Biomedical Engineering, Department of Engineering Science, University of Oxford, Oxford, United Kingdom

何を解決するか

公開neonatal face-detection datasetが少なく、一般detectorが集中治療環境で信頼できるか不明という問題を扱う。

主要結果

臨床fine-tuning前でもAP50 0.87で3つの一般detectorを上回り、新生児domainへの適応後はAP50 0.96に上がる。

要旨

InfantFaceは、非接触の痛み、distress、心肺、呼吸評価を支える新生児臨床動画向けに顔検出を適応する。公開顔datasetで学習したYOLOv11m detectorを、113人の乳児から得た228本の新生児動画でfine-tuneする。

研究の出発点

臨床の顔検出はconsumer向けと大きく異なる。照明は悪く、背景は複雑で、医療機器や処置が乳児の顔を大きく遮ることがある。

手法

著者はone-stage YOLOv11m pipelineを作り、広い公開顔datasetで一般的な顔構造を学習し、倫理的に収集した対象domainの新生児動画で適応する。

論文要点

InfantFaceは、「顔検出」が単一の製品カテゴリではないことを示す。医療など制約の強い環境では、最新の一般detectorを選ぶだけでなく、domain adaptationとdataset governanceがより重要になる。

論文 032026-06-16cs.CV

顔提示攻撃検出におけるアーキテクチャバイアス：Vision Transformer と畳み込みニューラルネットワークの比較研究

arXiv PDF

著者・所属

Ngela Landon Ntung

College of Engineering, Carnegie Mellon University Africa, Kigali, Rwanda

Floride Tuyisenge

College of Engineering, Carnegie Mellon University Africa, Kigali, Rwanda

Jema David Ndibwile

College of Engineering, Carnegie Mellon University Africa, Kigali, Rwanda

何を解決するか

fairnessがdataだけの問題なのか、それともarchitectureのinductive biasやpretrainingもcross-demographic behaviorを変えるのかに焦点を当てる。

主要結果

pretrained DeiT-Sは97.27% accuracyと0.86% EERに達し、African/East Asian ACER gapを0.13%に抑え、未見Central Asian subjectでResNet18より3.6倍有利なBPCERを報告する。

要旨

この論文は、顔presentation attack detectionでmodel architectureが人口統計fairnessに影響するかを比較する。CASIA-SURF CeFAで、scratch学習のMultimodal ViT-Tiny、ResNet18、pretrained DeiT-SをAfrican、East Asian、zero-shot Central Asian groupで評価する。

研究の出発点

PADは生体認証のsecurity layerであり、肌色やethnicityでerror rateが変わると、不均等なlockoutやspoofing riskが生じる。

手法

著者は同じPAD benchmark上でCNN baselineとTransformer系を比較し、accuracy/EERだけでなく、人口統計groupごとのAPCER/BPCER/ACER gapとzero-shot Central Asian splitを追跡する。

論文要点

生体認証の購入者にとって重要なのは、architecture choiceがheadline accuracyと同じくらいfairnessに効きうる点である。PAD評価には、deployment-readyと判断する前に人口統計sliceと未見population testを含めるべきだ。