研究雷达人脸检测arXiv2026年6月

每月 arXiv 雷达

2026 年 6 月人脸检测论文：公平性基准、新生儿检测与 PAD 偏差

2026 年 6 月的人脸检测论文显示，生物识别流水线第一步正在变得更可审计。本月主题结合公平性测量、高风险临床域适配，以及会影响人口统计结果的 PAD 架构选择。

本月趋势判断

本月信号是治理：人脸检测器需要用于审计的人口统计标签、面向临床使用的域特定验证，以及同时按准确率和公平性评估的 PAD 架构。

论文 012026-06-30cs.CV

WIDER-FAIR：用于公平性评估的 WIDER-FACE 标注版本

arXiv PDF

作者与机构

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

解决了什么问题

论文解决测量缺口：常用检测基准很少包含敏感特征标签，使公平性声明难以验证。

关键结果

示例实验发现 Black 个体的检测表现明显更低；从训练中排除该群体造成的公平性差距大于排除其它族裔群体。

摘要

WIDER-FAIR 为 WIDER-FACE 子集增加感知族裔与性别标注，让人脸检测器可以接受人口统计差异审计。论文用嵌入、KNN 和 t-SNE 验证标注一致性，并用 YOLOv5 消融展示偏差分析。

研究出发点

人脸检测常是识别、活体和分析流水线的第一步，因此这一层的人口统计漏检率会传导到所有下游指标。

方法概述

作者手动标注 16,256 张图像，覆盖四类感知族裔与两类性别，并用这些标注做训练数据消融，观察排除特定群体如何改变检测公平性。

论文总结

WIDER-FAIR 的价值在于把检测器公平性从经验判断推进到可测试证据。对厂商来说，它提醒我们：总体基准分数很好，也可能在缺少正确标注时掩盖群体特定失败。

论文 022026-06-18cs.CV

InfantFace：新生儿临床环境中的婴儿人脸检测

arXiv PDF

作者与机构

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

解决了什么问题

论文解决公开新生儿人脸检测数据缺乏带来的不确定性：通用检测器在重症护理环境中是否可靠并不清楚。

关键结果

临床微调前模型 AP50 达 0.87，超过三个通用检测器；新生儿域适配后 AP50 提升到 0.96。

摘要

InfantFace 将人脸检测适配到新生儿临床视频，用于支持非接触疼痛、痛苦表情、心肺信号和呼吸停止评估。研究先用公开人脸数据训练 YOLOv11m，再用来自 113 名婴儿的 228 段新生儿视频微调。

研究出发点

临床人脸检测与消费场景很不同：光照差、背景杂乱，监护设备或护理操作还可能遮挡婴儿大部分面部。

方法概述

作者构建单阶段 YOLOv11m 流水线，先用广泛公开人脸数据学习通用脸部结构，再用符合伦理采集的新生儿视频进行目标域适配。

论文总结

InfantFace 提醒我们，“人脸检测”不是单一产品类别。在医疗等受限环境中，域适配与数据治理往往比简单选择最新通用检测器更重要。

论文 032026-06-16cs.CV

人脸呈现攻击检测中的架构偏差：视觉 Transformer 与卷积网络比较研究

arXiv PDF

作者与机构

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

解决了什么问题

论文关注公平性是否只是数据问题，还是架构归纳偏置与预训练也会改变跨人口群体表现。

关键结果

预训练 DeiT-S 达到 97.27% 准确率和 0.86% EER，将 African/East Asian 的 ACER 差距降至 0.13%，并在未见 Central Asian 群体上相对 ResNet18 有 3.6 倍 BPCER 优势。

摘要

这篇论文比较模型架构是否会影响人脸呈现攻击检测的人口统计公平性。在 CASIA-SURF CeFA 上，作者评估从头训练的 Multimodal ViT-Tiny、ResNet18 和预训练 DeiT-S，覆盖 African、East Asian 与零样本 Central Asian 群体。

研究出发点

PAD 是生物认证的安全层；如果错误率随肤色或族裔变化，用户会面临不平等的拒绝访问或欺骗风险。

方法概述

作者在同一 PAD 基准下比较 CNN 基线与 Transformer 变体，不只跟踪准确率和 EER，也看不同群体的 APCER/BPCER/ACER 差距以及 Central Asian 零样本划分。

论文总结

对生物识别采购方，关键点是架构选择可能像总体准确率一样影响公平性。因此 PAD 评估应在部署前包含人口统计切片和未见群体测试。