传统上，计算机视觉中的肤色偏差是用菲茨帕特里克量表来测量的，该量表从浅色到深色。索尼(Sony)人工智能伦理研究员威廉•通(William Thong)表示，该量表最初是为了衡量白皮肤晒黑程度而开发的，但后来被广泛用作确定种族的工具。它被用来衡量计算机系统的偏差，例如，通过比较人工智能模型对浅色皮肤和深色皮肤的人的准确率。
但索尼(Sony)人工智能伦理全球主管Alice Xiang表示，用一维尺度描述人的皮肤是一种误导。通过基于这种粗略的尺度将人们分类，研究人员错过了影响的偏见，例如亚洲人，他们在西方人工智能数据集中的代表性不足，可以分为浅肤色和深肤色两类。而且它也没有考虑到人的肤色会改变的事实。例如，研究人员指出，随着年龄的增长，亚洲人的皮肤会变得更黑、更黄，而白人的皮肤会变得更黑、更红。
Thong和Xiang的团队开发了一种工具，与《麻省理工科技评论》独家分享，该工具将肤色尺度扩展到两个维度，测量肤色(从浅色到深色)和肤色(从红色到黄色)。索尼在网上免费提供这个工具。
Thong说，他的灵感来自巴西艺术家angsamicica Dass，他的作品表明，来自相似背景的人可以有各种各样的肤色。但代表所有肤色并不是一个新奇的想法。化妆品行业多年来一直在使用同样的技术。
“对于任何不得不选择粉底色的人来说……你都知道，重要的不仅仅是一个人的肤色是浅色还是深色，还包括暖色调还是冷色调，”Xiang说。
莱斯大学(Rice University)研究计算机视觉模型偏差的助理教授古哈•巴拉克里希南(Guha Balakrishnan)表示，索尼在肤色方面的工作“让人们了解了人们一直忽视的缺失部分。”
测量偏差
目前，研究人员还没有一种标准的方法来衡量计算机视觉中的偏差，这使得比较系统变得更加困难。
为了使偏见评估更加简化，meta开发了一种新的方法来衡量计算机视觉模型中的公平性，称为计算机视觉评估中的公平性(FACET)，可用于一系列常见任务，如分类，检测和分割。meta的人工智能研究员劳拉·古斯塔夫森(Laura Gustafson)表示，FACET是第一个包含许多不同计算机视觉任务的公平性评估，它比其他偏见工具包含了更广泛的公平性指标。
