当代生物识别安全系统的关键组成部分是使用面部识别技术进行的准确识别和验证个体。通过在开发过程中改进性别识别的集成，先进的安全系统可以实现个性化。这些面部识别模型，如VGG16、VGG19和ResNet50，以及其他识别技术，在适应肤色变化方面存在问题，特别是影响肤色较深的用户。这些模型的能力强烈依赖于皮肤中的黑色素水平，导致这些特征的用户较高的错误识别或偏见案例。虽然已经取得了一些进展，但在训练过程中缺乏各种肤色的代表性，继续导致众多操作系统之间的性能差异。评估和训练面部识别模型的常见方法是基于机器学习技术。这些面部识别数据集必须具备广泛的肤色多样性和多个年龄段的大规模部署，以提高模型的识别能力，而不受人口特征的影响。迁移学习解决方案可以提高模型的准确性和公平性，因为它们帮助在大数据集上训练的模型适应小型异构数据集。这一方法在生物识别验证的人脸特征识别中证明是有效的，因为它展示了更好的性能和更短的训练周期，以及普遍的现实场景适用性。所提出的工作适合于机场安全、边境管控及边境监控、执法、金融、医疗保健、移动设备和安全系统等实际应用。为了确保更可靠和包容的面部识别解决方案，生物识别系统可以使用迁移学习来克服不同面部特征和肤色带来的挑战。对UTKFace数据集进行的实验评估结果表明，ResNet50V2模型在验证集中获得了最高的84%的准确率，相较于其他架构的准确率。
K等（周三）研究了这个问题。