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

• arxiv url: http://arxiv.org/abs/2211.08672v2
• Date: Tue, 16 May 2023 01:15:04 GMT
• ステータス: 処理完了
• システム内更新日: 2023-05-17 19:25:04.103149
• Title: Fair contrastive pre-training for geographic image segmentation
• Title（参考訳）: 地理的画像分割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: 選択したセンシティブなグループ間で大きな性能差を示す学習表現を示す。 この問題に対処するために、対照的な学習を伴う公平な密度の表現を提案する。 この方法は、ダウンストリームタスクの公平性を向上し、最先端の手法より優れる。
• 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 self-supervised learning is widely employed in visual recognition for geographic image data (remote or proximal sensing), but because of landscape heterogeneity, models can show disparate performance across spatial units. In this work, we consider fairness risks in such contrastive pre-training; we show learnt representations present large performance gaps across selected sensitive groups: urban and rural areas for satellite images and city GDP level for street view images on downstream semantic segmentation. We propose fair dense representations with contrastive learning (FairDCL) to address the issue, a multi-level latent space de-biasing objective, using a novel dense sensitive attribute encoding technique to constrain spurious local information disparately distributes across groups. The method achieves improved downstream task fairness and outperforms state-of-the-art methods for the absence of a fairness-accuracy trade-off. Image embedding evaluation and ablation studies further demonstrate effectiveness of FairDCL. As fairness in geographic imagery is a nascent topic without existing state-of-the-art data or results, our work motivates researchers to consider fairness metrics in such applications, especially reinforced by our results showing no accuracy degradation. Our code is available at: https://anonymous.4open.science/r/FairDCL-1283
• Abstract（参考訳）: 対照的な自己教師型学習は、地理画像データ(リモートまたは近距離センシング)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, 衛星画像の都市部と農村部, 下流セマンティックセマンティックセグメンテーションのストリートビュー画像の都市GDPレベルという, 選択されたセンシティブなグループ間で大きなパフォーマンスギャップを示す学習者表現について検討する。 本研究では,多レベル遅延空間デバイアスの目的である,比較学習(FairDCL)を用いた高密度表現を提案し,グループ間で異なる局所情報の相違を抑えるために,新しい高密度属性符号化手法を提案する。 下流タスクの公平性が向上し、公平なトレードオフがない場合に最先端の方法を上回る。 画像埋め込み評価とアブレーション研究はfairdclの有効性をさらに実証する。 地理的画像の公平性は、既存の最先端データや結果のない、初期段階のトピックであるので、我々の研究は、研究者に、これらのアプリケーションにおける公正度の測定を、特に精度の低下を示さない結果によって強化することを促す。 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。