論文の概要: Evaluating Contextual Bias in CNN Image Classification: Evidence from Agricultural Benchmark Datasets
- arxiv url: http://arxiv.org/abs/2609.14654v1
- Date: Sun, 13 Sep 2026 16:41:14 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-09-16 07:15:05.890218
- Title: Evaluating Contextual Bias in CNN Image Classification: Evidence from Agricultural Benchmark Datasets
- Title（参考訳）: CNN画像分類における文脈バイアスの評価:農業ベンチマークデータセットからの証拠
- Abstract要約: 畳み込みニューラルネットワーク(CNN)は通常、保持された分類精度を用いて評価される。
我々は,CNNに基づく農業画像分類において,原画像のモデル性能と背景優先パッチの性能を比較することにより,この仮定を検証した。
背景優占パッチは8つのデータセットのうち6つのデータセットに対してデータセット固有のランダムな確率を上回り、そのうち4つのデータセットの確率をかなり上回った。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Convolutional neural networks (CNNs) are typically evaluated using held-out classification accuracy, an approach that presupposes predictions are based primarily on the intended object of interest rather than incidental surrounding context. We test this assumption in CNN-based agricultural image classification by comparing model performance on original images with performance on background-dominated patches extracted from the same images across eight publicly available agricultural benchmark datasets and four widely used CNN architectures. Background-dominated patches were classified above dataset-specific random chance for six of the eight datasets, and substantially above chance for four of them, indicating that contextual information contributes to model predictions for the majority of datasets evaluated. For these four datasets, we further evaluated whether this behavior reflected genuine class-discriminative information or was primarily attributable to class imbalance using macro-averaged precision, recall, and F1 together with class-balanced test subsets. The results show that contextual reliance does not admit a single explanation: class imbalance accounts for a substantial portion of the observed signal for some datasets and architectures, whereas above-chance contextual classification persists after balancing for others. Together with previous evidence from curated object recognition and cancer pathology imaging, these findings support the growing view that contextual bias is a recurring characteristic of CNN-based image classification rather than a phenomenon confined to a single application domain. More broadly, this work provides a systematic framework for quantifying contextual bias across heterogeneous image datasets by combining dataset-specific random-chance baselines, contextual bias categorization, macro-averaged evaluation, and class-balanced robustness analysis.
- Abstract（参考訳）: 畳み込みニューラルネットワーク(CNN)は通常、保持された分類精度を用いて評価される。
CNNに基づく農業画像分類において、この仮定は、原画像上のモデル性能と、同一画像から抽出された背景優先のパッチの性能を比較して、一般に公開されている8つの農業ベンチマークデータセットと4つのCNNアーキテクチャを比較検討する。
背景優先パッチは、8つのデータセットのうち6つのデータセット固有のランダムな確率を上回り、4つのデータセットの確率をかなり上回り、文脈情報が評価されたデータセットの大多数のモデル予測に寄与していることを示す。
これらの4つのデータセットについて,これらの振る舞いが真のクラス識別情報を反映しているか,あるいはマクロ平均精度,リコール,F1とクラスバランステストサブセットを用いて,主にクラス不均衡に起因するのかを更に評価した。
クラス不均衡は、いくつかのデータセットやアーキテクチャで観測された信号のかなりの部分を占めるのに対して、上述の文脈的分類は、他とのバランスを保った後に継続する。
これらの知見は、治療対象の認識と癌病理像の過去の証拠とともに、コンテキストバイアスは単一のアプリケーションドメインに限定された現象ではなく、CNNベースの画像分類の繰り返し特性である、という見解の高まりを支持している。
より広範に、この研究は、データセット固有のランダムチャンスベースライン、コンテキストバイアス分類、マクロ平均評価、クラスバランスの堅牢性分析を組み合わせることで、異種画像データセット間のコンテキストバイアスを定量化する体系的なフレームワークを提供する。
関連論文リスト
- ConceptScope: Characterizing Dataset Bias via Disentangled Visual Concepts [54.60525564599342]
ConceptScopeは、ビジュアルデータセットを分析するためのスケーラブルで自動化されたフレームワークである。
概念を、その意味的関連性とクラスラベルとの統計的相関に基づいて、ターゲット、コンテキスト、バイアスタイプに分類する。
既知のバイアスを確実に検出し、未発表のバイアスを発見できる。
論文 参考訳（メタデータ） (2025-10-30T06:46:17Z) - Data-Driven Analysis of Intersectional Bias in Image Classification: A Framework with Bias-Weighted Augmentation [0.0]
本稿では,定量的フェアネス指標と解釈可能性ツールを組み合わせ,モデル予測におけるバイアスパターンの同定を行うIFEF(Intersectional Fairness Evaluation Framework)を提案する。
次に、サブグループ分布統計に基づいて変換強度を適応する新しいデータ拡張戦略であるバイアス重み拡張(BWA)を提案する。
5つのオブジェクトクラスを持つOpen Images V7データセットの実験では、BWAは、表現不足のクラス環境交差点の精度を最大24ポイント向上することを示した。
論文 参考訳（メタデータ） (2025-10-17T09:10:57Z) - Two Is Better Than One: Aligned Representation Pairs for Anomaly Detection [56.57122939745213]
異常検出は、標準から逸脱するサンプルを特定することに焦点を当てる。
近年の自己教師型手法は, 異常に関する事前知識を用いて, トレーニング中に合成外れ値を生成することによって, それらの表現をうまく学習している。
この制限は、通常のサンプルにおける対称性に関する事前の知識を活用して、異なるコンテキストでデータを観測する、新しいアプローチであるCon$で対処する。
論文 参考訳（メタデータ） (2024-05-29T07:59:06Z) - Mitigating Bias Using Model-Agnostic Data Attribution [1.477005743355395]
機械学習モデルにおけるバイアスの緩和は、公平性と公平性を保証するための重要な取り組みである。
本稿では, 画素画像の属性を利用して, バイアス属性を含む画像の領域を特定し, 正規化することで, バイアスに対処する新しい手法を提案する。
論文 参考訳（メタデータ） (2024-05-08T13:00:56Z) - Predicting beauty, liking, and aesthetic quality: A comparative analysis
of image databases for visual aesthetics research [0.0]
対象認識のために開発された畳み込みニューラルネットワークの層を, (A) 先行研究された20の統計画像特性の集合を用いて, 連続して評価を予測できるかを検討する。
以上の結果から,各データセットにおける審美評価の予測可能性に有意な変化が認められた。
意外なことに、統計的画像特性と畳み込みニューラルネットワークは、類似した精度で美的評価を予測し、この2つの手法が捉えた画像情報の顕著な重複を浮き彫りにした。
論文 参考訳（メタデータ） (2023-07-03T13:03:17Z) - Through a fair looking-glass: mitigating bias in image datasets [1.0323063834827415]
目的変数間の統計的依存を最小化し,画像データセットを非バイアス化するための高速かつ効果的なモデルを提案する。
提案手法をCelebAデータセット上で評価し、その結果を最先端のデバイアス法と比較し、そのモデルが有望なフェアネスと精度の組み合わせを達成することを示す。
論文 参考訳（メタデータ） (2022-09-18T20:28:36Z) - General Greedy De-bias Learning [163.65789778416172]
本稿では,関数空間における勾配降下のような偏りのあるモデルとベースモデルを優雅に訓練する一般グリーディ・デバイアス学習フレームワーク(GGD)を提案する。
GGDは、事前知識を持つタスク固有バイアスモデルと、事前知識を持たない自己アンサンブルバイアスモデルの両方の設定の下で、より堅牢なベースモデルを学ぶことができる。
論文 参考訳（メタデータ） (2021-12-20T14:47:32Z) - Selecting the suitable resampling strategy for imbalanced data
classification regarding dataset properties [62.997667081978825]
医学、情報検索、サイバーセキュリティ、ソーシャルメディアなどの多くのアプリケーションドメインでは、分類モデルの導入に使用されるデータセットは、各クラスのインスタンスの不平等な分布を持つことが多い。
この状況は不均衡データ分類と呼ばれ、少数民族の例では予測性能が低い。
オーバーサンプリングとアンダーサンプリングの技術は、各クラスの例の数とバランスをとることでこの問題に対処する、よく知られた戦略である。
論文 参考訳（メタデータ） (2021-12-15T18:56:39Z) - Visual Recognition with Deep Learning from Biased Image Datasets [6.10183951877597]
視覚認知の文脈において、バイアスモデルがどのように治療問題に適用できるかを示す。
作業中のバイアス機構に関する(近似的な)知識に基づいて、我々のアプローチは観察を再重み付けする。
本稿では,画像データベース間で共有される低次元画像表現を提案する。
論文 参考訳（メタデータ） (2021-09-06T10:56:58Z) - Unravelling the Effect of Image Distortions for Biased Prediction of
Pre-trained Face Recognition Models [86.79402670904338]
画像歪みの存在下での4つの最先端深層顔認識モデルの性能評価を行った。
我々は、画像歪みが、異なるサブグループ間でのモデルの性能ギャップと関係していることを観察した。
論文 参考訳（メタデータ） (2021-08-14T16:49:05Z) - LOGAN: Local Group Bias Detection by Clustering [86.38331353310114]
コーパスレベルでバイアスを評価することは、モデルにバイアスがどのように埋め込まれているかを理解するのに十分ではない、と我々は主張する。
クラスタリングに基づく新しいバイアス検出手法であるLOGANを提案する。
毒性分類および対象分類タスクの実験は、LOGANが局所領域のバイアスを特定することを示している。
論文 参考訳（メタデータ） (2020-10-06T16:42:51Z)
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。