20.500.12556/RUL-171823 Estimating and mitigating demographic bias in biometric systems Ocenjevanje in zmanjševanje demografske pristranskosti v biometričnih sistemih Face recognition systems are reaching superhuman levels of accuracy but remain uneven across demographic groups. This thesis tackles demographic bias with a data-centric method: identity-preserving face swapping to build large synthetic datasets where each identity is equally represented across gender and ethnicity. Using a U-Net with FiLM conditioning, we generate and validate a two million-image dataset (based on BUPT-BalancedFace) via failure analysis, face-image quality metrics, and embedding-space comparisons. Fine-tuning ArcFace and AdaFace on this data reduces inter-group error disparities per standardized metrics, at some cost to verification accuracy. Versus fine-tuning on real balanced data, synthetic augmentation yields lower absolute accuracy but measurable fairness gains without extensive demographically labeled data—highlighting both the promise and limits of synthetic data for bias mitigation. Sistemi za razpoznavo obrazov dosegajo nadčloveško raven natančnosti, vendar ostajajo neenakomerni med demografskimi skupinami. To delo obravnava demografsko pristranskost s podatkovno usmerjeno metodo: z zamenjavo obrazov ob ohranjeni identiteti gradimo velike sintetične podatkovne zbirke, kjer je vsaka identiteta enakomerno zastopana glede na spol in etnično pripadnost. Z uporabo mreže U-Net s FiLM-pogojevanjem ustvarimo in validiramo podatkovno zbirko z dvema milijonoma slik (na osnovi BUPT-BalancedFace) prek metrik kakovosti obraznih slik in primerjav v vdelavnem prostoru. Nadaljnje prilagajanje modelov ArcFace in AdaFace na teh podatkih zmanjša razlike v napakah med skupinami glede na standardizirane metrike, čeprav deloma na račun natančnosti preverjanja. V primerjavi z nadaljnjim prilagajanjem na realnih uravnoteženih podatkih sintetična razširitev sicer prinaša nižjo absolutno natančnost, a hkrati merljive izboljšave pravičnosti brez obsežnih demografsko označenih podatkov, kar poudarja tako obetavnost kot omejitve sintetičnih podatkov pri omilitvi pristranskosti. face recognition demographic bias synthetic data identity-preserving face swapping bias mitigation prepoznavanje obrazov demografska pristranskost sintetični podatki ohranjanje identitete pri zamenjavi obrazov zmanjševanje pristranskosti true false false Angleški jezik Slovenski jezik Magistrsko delo/naloga 2025-09-03 08:30:00 2025-09-03 08:30:03 2025-09-21 04:00:39 0000-00-00 00:00:00 2025 0 0 0000-00-00 NiDoloceno NiDoloceno NiDoloceno 0000-00-00 0000-00-00 0000-00-00 37770 248348419 Vovk_Klemen_-_Ocenjevanje_in_zmanjsevanje_demografske_pristranskosti_v_biometricnih_sistemih.pdf Vovk_Klemen_-_Ocenjevanje_in_zmanjsevanje_demografske_pristranskosti_v_biometricnih_sistemih.pdf 1 E6F6698438318B31D894BBAD092ED0BF 8301848796a0cd61c643e45ce765e8437e4d40d32e861bcb68b65493adddafee 49e2104a-888f-11f0-9328-0050569b8976 https://repozitorij.uni-lj.si/Dokument.php?lang=slv&id=215313 Fakulteta za računalništvo in informatiko 0 0 0