Year: 2026
Type: dissertation
Abstract: Este Trabajo de Fin de Grado trata la problemática del sesgo demográfico en el reconocimiento de expresiones faciales, que puede suponer un funcionamiento injusto y deficiente por parte de estos sistemas, lo que se traduce en un trato discriminatorio a ciertos sectores de la población y desigualdades sociales. A tal efecto, se ha desarrollado un modelo de reconocimiento de expresiones faciales básico mediante una metodología clásica, dividiendo este sistema en las fases de preprocesamiento, de extracción de características, y de clasificación.Seguidamente, se ha evaluado su eficacia para las bases de datos KDEF y Affect Net+, mediante métricas como la precisión, el recall, y el rendimiento diferencial, para medir sesgo demográfico. Con la intención de reducir el sesgo demográfico, se ha implementado estrategias de mitigación del sesgo, mediante una proyección según el hiperplano de separación de clases de género, y su iteración, analizando el impacto de estas sobre el nuevo rendimiento del sistema. Los resultados muestran la eficacia de las técnicas aplicadas, que son capaces de reducir el sesgo demográfico de género para clasificadores lineales, aunque sin eliminarlo del todo. ABSTRACT This Final Degree Project addresses the issue of demographic bias in facial expression recognition, which can lead to unfair and flawed performance by these systems, resulting in discriminatory treatment of certain segments of the population and social inequalities. To this end, a basic facial expression recognition model was developed using a classical methodology, dividing the system into preprocessing, feature extraction, and classification phases. Subsequently, its effectiveness was evaluated on the KDEF and AffectNet+ datasets using metrics such as precision, recall, and differential performance, to measure demographic bias. With the aim of reducing demographic bias, bias mitigation strategies have been implemented using a projection based on the gender class separating hyperplane and its iteration, while analyzing the impact of these strategies on the new performance of the system. The results demonstrate the effectiveness of the applied techniques, which are capable of reducing gender demographic bias for linear classifiers, although not entirely.
Author: Caraballo Mesa, Iván
Institution: Universidad Politécnica de Madrid
Language: Spanish
Subfield: Computer Vision and Pattern Recognition
Field: Computer Science
Domain: Physical Sciences
SDG: Reduced inequalities
Open Access status: green
OpenAlex ID: W7214406115
