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
- 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) - Progressive Feature Self-reinforcement for Weakly Supervised Semantic
Segmentation [55.69128107473125]
Weakly Supervised Semantic (WSSS) のイメージレベルラベルを用いたシングルステージアプローチを提案する。
我々は、画像内容が決定論的領域(例えば、自信ある前景と背景)と不確実領域(例えば、オブジェクト境界と誤分類されたカテゴリ)に適応的に分割して、別々の処理を行う。
そこで我々は,これらの自信のある領域と同一のクラスラベルを持つ拡張画像とのセマンティック一貫性を制約する補完的な自己強調手法を提案する。
論文 参考訳(メタデータ) (2023-12-14T13:21:52Z) - Improving Fairness using Vision-Language Driven Image Augmentation [60.428157003498995]
公平性は、特に顔領域において、ディープラーニングの識別モデルを訓練する際に重要である。
モデルは、特定の特性(年齢や肌の色など)と無関係な属性(下流タスク)を関連付ける傾向がある
本稿では,これらの相関を緩和し,公平性を向上する手法を提案する。
論文 参考訳(メタデータ) (2023-11-02T19:51:10Z) - 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) - CSP: Self-Supervised Contrastive Spatial Pre-Training for
Geospatial-Visual Representations [90.50864830038202]
ジオタグ付き画像の自己教師型学習フレームワークであるContrastive Spatial Pre-Training(CSP)を提案する。
デュアルエンコーダを用いて画像とその対応する位置情報を別々に符号化し、コントラスト目的を用いて画像から効果的な位置表現を学習する。
CSPは、様々なラベル付きトレーニングデータサンプリング比と10~34%の相対的な改善で、モデル性能を大幅に向上させる。
論文 参考訳(メタデータ) (2023-05-01T23:11:18Z) - 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) - Fair Contrastive Learning for Facial Attribute Classification [25.436462696033846]
公正な視覚表現学習のためのFair Supervised Contrastive Loss (FSCL)を提案する。
本稿では,教師付きコントラスト学習による不公平性を初めて分析する。
提案手法はデータバイアスの強度に頑健であり,不完全な教師付き設定で効果的に機能する。
論文 参考訳(メタデータ) (2022-03-30T11:16:18Z) - Latent Space Smoothing for Individually Fair Representations [12.739528232133495]
本稿では,高次元データの個々人の公正性を証明するための最初の表現学習手法LASSIを紹介する。
我々の重要な洞察は、生成的モデリングの最近の進歩を活用して、生成的潜在空間における類似した個人の集合を捉えることである。
ランダムな平滑化を用いて、類似した個人を密にマッピングし、ダウンストリームアプリケーションの局所ロバスト性検証がエンドツーエンドの公正性認証をもたらすことを保証します。
論文 参考訳(メタデータ) (2021-11-26T18:22:42Z) - Geography-Aware Self-Supervised Learning [79.4009241781968]
異なる特徴により、標準ベンチマークにおけるコントラスト学習と教師あり学習の間には、非自明なギャップが持続していることが示される。
本稿では,リモートセンシングデータの空間的整合性を利用した新しいトレーニング手法を提案する。
提案手法は,画像分類,オブジェクト検出,セマンティックセグメンテーションにおけるコントラスト学習と教師あり学習のギャップを埋めるものである。
論文 参考訳(メタデータ) (2020-11-19T17:29:13Z) - 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。