通过对全球家庭物品的两个数据集进行广泛的实证评估，我们首先确定了标准基准和现实世界地理转变之间的进展差距，接着通过测量不同地区性能的差异，研究了模型在地理上的泛化能力，并发现了地理差异的增加是传统基准进展的副作用。最后，我们强调了在更具代表性的数据上重新训练简单的最后一层如何作为未来工作的有希望的方向，使得两个基准测试的地理差异减少了三分之二以上。

Jul, 2023

该研究研究了最新的物体检测系统是否能够在不同肤色的行人中具有公正的预测性能，我们对一个现有的大规模数据集 BDD100K 进行了注释，并提供了两种肤色分组之间性能的深入比较分析，发现时间、遮挡和训练期间重新加权的监督损失对这种预测性别扭曲的影响程度。

Feb, 2019

本文提出了一种名为 ICON^2 的框架，用于解决计算机视觉系统中对象检测的公平性问题，可以确定潜在的混淆变量与敏感属性之间的相关性，并控制可能的混淆变量以获得更可靠的模型偏差估计。

Jun, 2023

评估一个视觉语言模型（CLIP）在一个包含不同收入价值的家庭图像的地理多样数据集（Dollar Street）上的表现，发现不同收入水平的家庭间存在性能差异，穷困群体的性能普遍较低；提出了帮助解决这些问题的见解和可执行的经济层面包容性人工智能发展措施。

Nov, 2023

分析了公开的物体识别系统在一个具有更广泛地理覆盖范围的家庭用品数据集上的准确性，发现这些系统在低收入国家常见的家庭用品上表现相对较差，主要由于物体类别内的外观差异和物品出现在不同视觉环境中导致的。因此，需要进一步研究来使物体识别系统在不同国家和收入水平下同样有效。

Jun, 2019

本文分析了不同方法来减轻现有图像分类模型中存在的地理偏差。我们首先定量地展示了这种偏差在两个数据集中的存在情况 - Dollar Street 数据集和 ImageNet，并使用带有位置信息的图像。然后，我们提出了可以用来减少这种偏差的不同方法。最后，我们分析了这些技术对使这些模型对图像的地理位置更健壮的效果。

Dec, 2023

计算机科学场景理解中存在社会经济偏见，建议采用更具包容性和代表性的训练数据集，以减少偏见并确保计算机视觉技术的公平性和更均等的社会受益。

Jan, 2024

地理差异图像生成任务中的 Decomposed-DIG 指标通过量化对象和背景的差异，揭示了生成图像中地理上的差异。研究发现背景生成中的地理差异明显大于对象生成，并提出了一种新的提示结构以优化背景多样性。

Jun, 2024

本文介绍了一种利用物体检测器和高分辨率 (30cm) 卫星图像来精确预测本地贫困率的计算框架，并且使用权重计数作为特征，相对于现有的比较不可解释的基准模型，能够在乌干达的村级贫困预测中实现 0.539 的皮尔逊相关系数，这是一种可解释性和性能相结合的方法。

Feb, 2020

提出了一种方法来平衡模型性能和注释成本，该方法通过找到与当前大型视觉语言基础模型训练数据集中的对象和行为最不相似的国家的图像来识别待注释的数据，并证明使用这些国家的数据来补充训练数据可以提高模型性能并降低注释成本。

Mar, 2024