論文の概要: Classification Drives Geographic Bias in Street Scene Segmentation

• arxiv url: http://arxiv.org/abs/2412.11061v1
• Date: Sun, 15 Dec 2024 05:33:10 GMT
• ステータス: 翻訳完了
• システム内更新日: 2024-12-17 14:02:58.308238
• Title: Classification Drives Geographic Bias in Street Scene Segmentation
• Title（参考訳）: ストリートシーンセグメンテーションにおける地理バイアスの分類
• Authors: Rahul Nair, Gabriel Tseng, Esther Rolf, Bhanu Tokas, Hannah Kerner,
• Abstract要約: 我々は、より複雑なタスクであるインスタンスセグメンテーションに基づいて、実世界の運転データセットのジオバイアスを調査した。 その結果,ジオビアーゼは局所化誤差よりも分類誤差が原因であることが判明した。 地域別モデルでは, 粗いクラスを用いてジオビアーゼを著しく緩和できることが示唆された。
• 参考スコア（独自算出の注目度）: 20.14340857253721
• License:
• Abstract: Previous studies showed that image datasets lacking geographic diversity can lead to biased performance in models trained on them. While earlier work studied general-purpose image datasets (e.g., ImageNet) and simple tasks like image recognition, we investigated geo-biases in real-world driving datasets on a more complex task: instance segmentation. We examined if instance segmentation models trained on European driving scenes (Eurocentric models) are geo-biased. Consistent with previous work, we found that Eurocentric models were geo-biased. Interestingly, we found that geo-biases came from classification errors rather than localization errors, with classification errors alone contributing 10-90% of the geo-biases in segmentation and 19-88% of the geo-biases in detection. This showed that while classification is geo-biased, localization (including detection and segmentation) is geographically robust. Our findings show that in region-specific models (e.g., Eurocentric models), geo-biases from classification errors can be significantly mitigated by using coarser classes (e.g., grouping car, bus, and truck as 4-wheeler).
• Abstract（参考訳）: 以前の研究では、地理的多様性に欠ける画像データセットは、トレーニングされたモデルにおいてバイアスのあるパフォーマンスをもたらすことが示されていた。 以前の研究では、汎用画像データセット(例えば、ImageNet)と画像認識のような単純なタスクを研究していたが、より複雑なタスクであるインスタンスセグメンテーションにおいて、現実の運転データセットのジオバイアスを調査した。 欧州の運転シーン(ユーロ中心モデル)で訓練された事例分割モデルが地理的バイアスを受けているかを検討した。 以前の研究と一致して、ユーロ中心モデルがジオバイアスであることが判明した。 その結果,ジオビアーゼの10～90%,ジオビアーゼの19～88%が局所化誤差ではなく,分類誤差によるものであることが判明した。 これは、分類が地理的に偏りがある一方で、局所化(検出とセグメンテーションを含む)は地理的に堅牢であることを示した。 その結果,地域別モデル (ユーロ中心モデルなど) では, 分類誤差からのジオビアーゼは, 粗いクラス (例えば, グループ車, バス, トラックを4輪車として用いる) を用いて著しく軽減できることがわかった。

関連論文リスト

• Regional biases in image geolocation estimation: a case study with the SenseCity Africa dataset [0.0]
  我々は,アフリカ大陸(SCA100)から得られた画像のクラウドソースデータセットに対して,最先端の画像位置推定モデル(ISNs)を適用した。 欧米の高所得国では,ISNsモデルでは画像位置を過大に予測する傾向がみられた。 この結果から,IM2GPS3kを画像位置情報推定のトレーニングセットおよびベンチマークとして用いると,アフリカにおける潜在的な応用を見落としてしまうことが示唆された。
  論文  参考訳（メタデータ） (2024-04-03T08:27:24Z)
• GeoCLIP: Clip-Inspired Alignment between Locations and Images for Effective Worldwide Geo-localization [61.10806364001535]
  世界規模のジオローカライゼーションは、地球上のどこでも撮影された画像の正確な位置を特定することを目的としている。 既存のアプローチは、地球を離散的な地理的細胞に分割し、問題を分類タスクに変換する。 画像と対応するGPS位置のアライメントを強制する新しいCLIPにインスパイアされた画像-GPS検索手法であるGeoCLIPを提案する。
  論文  参考訳（メタデータ） (2023-09-27T20:54:56Z)
• Geo-Encoder: A Chunk-Argument Bi-Encoder Framework for Chinese Geographic Re-Ranking [61.60169764507917]
  中国の地理的再ランクタスクは、検索された候補者の中で最も関連性の高い住所を見つけることを目的としている。 そこで我々は,中国語の地理的意味論をより効果的に統合する,革新的なフレームワークであるGeo-Encoderを提案する。
  論文  参考訳（メタデータ） (2023-09-04T13:44:50Z)
• GeoGLUE: A GeoGraphic Language Understanding Evaluation Benchmark [56.08664336835741]
  我々はGeoGLUEと呼ばれるGeoGraphic Language Understanding Evaluationベンチマークを提案する。 オープンソースの地理資源からデータを収集し、6つの自然言語理解タスクを導入する。 我々は,GeoGLUEベンチマークの有効性と意義を示す一般ベースラインの評価実験と解析を行った。
  論文  参考訳（メタデータ） (2023-05-11T03:21:56Z)
• GeoNet: Benchmarking Unsupervised Adaptation across Geographies [71.23141626803287]
  地理的ロバスト性の問題について検討し、3つの主要な貢献を行う。 まず,地理的適応のための大規模データセットGeoNetを紹介する。 第2に、シーンコンテキストにおける大きな変化から、ドメインシフトの主な原因が生じるという仮説を立てる。 第3に、最先端の教師なしドメイン適応アルゴリズムとアーキテクチャを広範囲に評価する。
  論文  参考訳（メタデータ） (2023-03-27T17:59:34Z)
• GeoDE: a Geographically Diverse Evaluation Dataset for Object Recognition [31.194474203667042]
  GeoDEは地理的に多様なデータセットであり、40のクラスと6つの世界領域から61,940の画像がある。 完全なデータセットとコードはhttps://geodiverse-data-collection.cs.princeton.edu/で公開しています。
  論文  参考訳（メタデータ） (2023-01-05T18:21:50Z)
• G^3: Geolocation via Guidebook Grounding [92.46774241823562]
  本研究では,人間が位置情報に用いている視覚的特徴を記述した人書きガイドブックから,明示的な知識について検討する。 多様な場所からのストリートビュー画像のデータセットを用いたガイドブックグラウンディングによるジオロケーションのタスクを提案する。 提案手法は,Top-1の精度が5%以上向上し,最先端の画像のみの位置決め法よりも大幅に向上する。
  論文  参考訳（メタデータ） (2022-11-28T16:34:40Z)
• PGL: Prior-Guided Local Self-supervised Learning for 3D Medical Image Segmentation [87.50205728818601]
  本稿では,潜在特徴空間における局所的一貫性を学習するPGL(PresideedGuided Local)自己教師モデルを提案する。 我々のPGLモデルは、局所領域の特異な表現を学習し、したがって構造情報を保持できる。
  論文  参考訳（メタデータ） (2020-11-25T11:03:11Z)

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。