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
- 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) - Each Part Matters: Local Patterns Facilitate Cross-view Geo-localization [54.00111565818903]
クロスビューなジオローカライゼーションは、異なるプラットフォームから同じ地理的ターゲットの画像を見つけることである。
既存の手法は通常、画像センター内の地理的ターゲットの微細な特徴をマイニングすることに集中している。
我々は、文脈情報を活用するために、ローカルパターンネットワーク(LPN)と呼ばれるシンプルで効果的なディープニューラルネットワークを導入する。
論文 参考訳(メタデータ) (2020-08-26T16:06:11Z) - 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。