Des études publiées ont suggéré un biais des algorithmes de classification du genre basés sur la reconnaissance faciale selon les groupes de genre et de race. Plus précisément, des taux d'exactitude inégaux ont été observés pour les femmes et les personnes à la peau foncée. Pour atténuer ce biais dans les classifieurs de genre, la communauté en vision par ordinateur a développé plusieurs stratégies. Cependant, l'efficacité de ces stratégies d'atténuation est démontrée pour un nombre limité de races, principalement caucasiennes et afro-américaines. De plus, ces stratégies offrent souvent un compromis entre le biais et la précision de la classification. Afin d'améliorer encore l'état de l'art, nous exploitons le potentiel des vues génératives, de l'apprentissage structuré et de l'apprentissage évidentiel pour réduire le biais de classification du genre. Nous démontrons la supériorité de notre stratégie d'atténuation du biais en améliorant la précision de la classification et en réduisant le biais au sein des groupes de genre et de race grâce à une validation expérimentale approfondie, aboutissant à des performances d'avant-garde dans les évaluations intra- et inter-bases de données.