論文の概要: Fair contrastive pre-training for geographic images

• arxiv url: http://arxiv.org/abs/2211.08672v1
• Date: Wed, 16 Nov 2022 04:59:46 GMT
• ステータス: 処理完了
• システム内更新日: 2022-11-17 15:31:57.950482
• Title: Fair contrastive pre-training for geographic images
• Title（参考訳）: 地理画像のためのフェアコントラスト事前学習
• Authors: Miao Zhang, Rumi Chunara
• Abstract要約: 土地被覆セマンティックセマンティックセグメンテーションにおけるフェアネスのリスクを、対照的な自己教師付き学習を用いて検討する。 マルチレベルラテント空間のための相互情報学習目標を提案する。 提案手法は、精度の高いフェアネスのトレードオフにより、改良されたフェアネス結果を実現し、最先端の手法よりも優れる。
• 参考スコア（独自算出の注目度）: 31.576447346533225
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Contrastive representation learning is widely employed in visual recognition for geographic image data (remote-sensing such as satellite imagery or proximal sensing such as street-view imagery), but because of landscape heterogeneity, models can show disparate performance across spatial units. In this work, we consider fairness risks in land-cover semantic segmentation which uses pre-trained representation in contrastive self-supervised learning. We assess class distribution shifts and model prediction disparities across selected sensitive groups: urban and rural scenes for satellite image datasets and city GDP level for a street view image dataset. We propose a mutual information training objective for multi-level latent space. The objective improves feature identification by removing spurious representations of dense local features which are disparately distributed across groups. The method achieves improved fairness results and outperforms state-of-the-art methods in terms of precision-fairness trade-off. In addition, we validate that representations learnt with the proposed method include lowest sensitive information using a linear separation evaluation. This work highlights the need for specific fairness analyses in geographic images, and provides a solution that can be generalized to different self-supervised learning methods or image data. Our code is available at: https://anonymous.4open.science/r/FairDCL-1283
• Abstract（参考訳）: コントラスト表現学習は、地理画像データ(衛星画像などのリモートセンシングやストリートビュー画像などの近距離センシング)の視覚的認識に広く用いられているが、ランドスケープの不均一性のため、モデルは空間単位間で異なる性能を示すことができる。 本研究では,事前学習による土地被覆セマンティックセマンティックセグメンテーションの公平性リスクについて考察する。 衛星画像データセットの都道府県と農村部,ストリートビュー画像データセットの都市のgdpレベルなど,センシティブなグループ間でのクラス分布の変化とモデル予測の相違を評価した。 マルチレベル潜在空間のための相互情報学習目標を提案する。 この目的は,グループ間で異なる分布の局所的特徴の急激な表現を除去することにより,特徴識別を改善する。 この方法により、公正性が向上し、精度・フェア性トレードオフの観点から最先端の方法よりも優れる。 また,提案手法で学習した表現が,最小感度情報を含むことを線形分離評価を用いて検証する。 本研究は、地理的画像における特定の公平性分析の必要性を強調し、異なる自己教師付き学習方法や画像データに一般化できるソリューションを提供する。 私たちのコードは、https://anonymous.4open.science/r/FairDCL-1283で利用可能です。

関連論文リスト

• AddressCLIP: Empowering Vision-Language Models for City-wide Image Address Localization [57.34659640776723]
  そこで我々は,より意味論的に問題を解決するために,AddressCLIPというエンドツーエンドのフレームワークを提案する。 われわれはピッツバーグとサンフランシスコに3つのデータセットを構築した。
  論文  参考訳（メタデータ） (2024-07-11T03:18:53Z)
• SatSynth: Augmenting Image-Mask Pairs through Diffusion Models for Aerial Semantic Segmentation [69.42764583465508]
  我々は,地球観測における注釈付きデータの不足に対処するために,生成的画像拡散の可能性を探る。 我々の知る限りでは、衛星セグメンテーションのための画像と対応するマスクの両方を最初に生成する。
  論文  参考訳（メタデータ） (2024-03-25T10:30:22Z)
• Region-aware Distribution Contrast: A Novel Approach to Multi-Task Partially Supervised Learning [50.88504784466931]
  マルチタスク密度予測にはセマンティックセグメンテーション、深さ推定、表面正規推定が含まれる。 既存のソリューションは通常、グローバルなクロスタスク画像マッチングのためのグローバルなイメージ表現の学習に依存している。 本提案では,ガウス分布を用いた地域表現をモデル化する。
  論文  参考訳（メタデータ） (2024-03-15T12:41:30Z)
• Fine-grained Recognition with Learnable Semantic Data Augmentation [68.48892326854494]
  きめ細かい画像認識は、長年続くコンピュータビジョンの課題である。 本稿では,識別領域損失問題を軽減するため,特徴レベルのトレーニングデータを多様化することを提案する。 本手法は,いくつかの人気分類ネットワーク上での一般化性能を著しく向上させる。
  論文  参考訳（メタデータ） (2023-09-01T11:15:50Z)
• Unsupervised Domain Transfer with Conditional Invertible Neural Networks [83.90291882730925]
  条件付き可逆ニューラルネットワーク(cINN)に基づくドメイン転送手法を提案する。 提案手法は本質的に,その可逆的アーキテクチャによるサイクル一貫性を保証し,ネットワークトレーニングを最大限効率的に行うことができる。 提案手法は,2つの下流分類タスクにおいて,現実的なスペクトルデータの生成を可能にし,その性能を向上する。
  論文  参考訳（メタデータ） (2023-03-17T18:00:27Z)
• Segmenting across places: The need for fair transfer learning with satellite imagery [24.087993065704527]
  最先端のモデルは、都市部に比べて農村部での全体的な精度が良い。 本研究では, 都市部に比べて, 原産地と対象地域とでは, 生衛星画像が相違点が多いことを示す。
  論文  参考訳（メタデータ） (2022-04-09T02:14:56Z)
• Semi-Supervised Contrastive Learning for Remote Sensing: Identifying Ancient Urbanization in the South Central Andes [11.489739686646647]
  本研究では,95,358枚のラベル付き画像と5,830枚のラベル付き画像を用いて,長い尾を持つ衛星画像データセットから古代の建物を検知する問題の解決を行う。 我々の半教師付きコントラスト学習モデルは79.0%の精度で有望なテストを行い、他の最先端の手法と比べて3.8%改善した。
  論文  参考訳（メタデータ） (2021-12-13T06:26:47Z)
• Spatially Correlated Patterns in Adversarial Images [5.069312274160184]
  敵の攻撃は、信頼性の高い機械学習ソリューションに向けた研究の進展の大きな障害であることが証明されている。 本稿では,入力画像内の領域を分離分離するフレームワークを提案する。
  論文  参考訳（メタデータ） (2020-11-21T14:06:59Z)
• Adversarial Semantic Data Augmentation for Human Pose Estimation [96.75411357541438]
  本研究では,セマンティックデータ拡張法 (SDA) を提案する。 また,適応的セマンティックデータ拡張 (ASDA) を提案する。 最先端の結果は、挑戦的なベンチマークで得られます。
  論文  参考訳（メタデータ） (2020-08-03T07:56:04Z)
• Representative-Discriminative Learning for Open-set Land Cover Classification of Satellite Imagery [11.47389428456188]
  テスト中に未知のクラスに属するサンプルを識別するオープンセット土地被覆分類の問題について検討する。 本質的には分類問題であるが、データの代表的側面と差別的側面の両方を活用する必要がある。 本稿では,代表識別型オープンセット認識フレームワークを提案する。
  論文  参考訳（メタデータ） (2020-07-21T15:28:56Z)
• Self-supervising Fine-grained Region Similarities for Large-scale Image Localization [43.1611420685653]
  一般のベンチマークでは、画像と画像の類似性を学ぶためのノイズの多いGPSラベルしか提供されていない。 本稿では,画像と領域の類似性を自己監督し,その部分領域とともに,困難な正のイメージの可能性について検討する。 提案する自己強調画像-領域類似性ラベルは,最先端パイプラインのトレーニングボトルネックを効果的に処理する。
  論文  参考訳（メタデータ） (2020-06-06T17:31:52Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。