人工智能的进展受到训练模型使用的数据集中的偏见的挑战。在图像地理定位估计中，模型通常使用特定地理区域（尤其是西方世界）的数据进行训练，因此他们可能难以理解未被充分代表的地区的复杂性。为了评估这个问题，我们使用最先进的图像地理定位估计模型（ISNs）对来自非洲大陆的众包地理定位图像数据集（SCA100）进行应用，并探讨模型预测中潜在的地区和社会经济偏见。我们的研究结果显示，ISNs 模型倾向于对西方富裕国家的图像位置进行过度预测，这与其训练数据集 IM2GPS3k 的地理分布一致。因此，与 IM2GPS3k 基准相比，ISNs 模型的准确性在各个尺度上显著降低。此外，我们基于 ISNs 模型对 SCA100 数据集中的图像进行了聚类，展示了模型在准确预测低收入地区图像位置方面的困难，尤其在撒哈拉以南非洲地区。因此，我们的研究结果表明，在图像地理定位估计和其他计算机视觉模型中，使用 IM2GPS3k 作为训练集和基准忽视了其在非洲背景下的潜在应用。

Apr, 2024

本文研究地理鲁棒性问题，提出 GeoNet 数据集并探究其背后的分布变化，表明现有无监督领域适应算法和大规模预训练不足以处理地理适应问题。

Mar, 2023

本文分析了两个大型公开图像数据集的地球多样性，发现这些数据集似乎存在明显的美欧中心主义倾向，这强调了在构建开发中国家使用的数据集时确保地球代表性的必要性。

Nov, 2017

本研究通过重构和最小化预期变量之间的统计相依来解决图像训练数据偏见的问题，使用包含 U-net 和预训练分类器的架构，将所提出的模型与最新的去偏见方法进行了对比，并展示了模型的公正性 - 准确性组合。

Sep, 2022

通过利用像素图像属性来缩小机器学习模型中的偏见，本文提出了一种新方法，该方法利用卷积神经网络（CNN）分类器通过训练小图像块来提取像素属性，从而实现区域性属性，进而提供有关重要信息在图像中分布的洞察力。通过在偏倚数据集中引入有针对性的噪声，限制神经网络学习这些偏见并强调主要属性，我们的方法证明了在严重偏倚的数据集上训练无偏分类器的有效性。

May, 2024

本研究通过标注 Dollar Street 图像中的因素，例如颜色、形状和背景，揭示了不同地区、不同收入水平中目标对象之间的差异，证明性能差异是与贴图、遮挡和低照度图像的差异相关联，为提高深度学习系统的性能差异提供了解决思路。

Apr, 2023

通过对非洲国家的地理标记的 Flickr 图像进行大规模分析，研究表明标准的互联网数据收集方法在低收入和中等收入国家存在局限性，需要进一步努力来捕捉非洲人和他们环境的图像数据，以改善计算机视觉模型在全球范围内的适用性。

Aug, 2023

我们提出了一种基于 Transformer 的端到端架构，通过层次交叉注意力利用不同地理层次和相应的视觉场景信息来确定照片的确切纬度和经度，实现了在四个标准地理位置数据集上的最新成果，并介绍了一个更困难的测试数据集，从 Google Streetview 中覆盖整个地球，并呈现出最新的结果。

Mar, 2023

研究语言模型中的地理偏见，通过比较地理和语义距离，提出四个指标来评估这些偏见，结果强调了检查和纠正语言模型的空间偏见对于确保准确和公平的表达是至关重要的。

Apr, 2024

本文提出了一种基于卷积神经网络分类个别建筑物功能的方法，该方法利用了遥感图像和街景图像，使用开源地图系统来获取地理信息，并利用创建的基准数据集在加拿大和美国的多个城市进行训练和评估。

Feb, 2018