Mar, 2024

有偏的二元属性分类器忽略了大多数类别

PDF
TL;DR本研究延伸了梯度基于 Class Activation Mapping (CAM) 方法，以适用于二分类器，并可视化二元面部属性分类器的活跃区域。实验结果表明，偏斜分类器主要依赖于多数类别的偏倚激活，而均衡分类器在不平衡数据上经过调整后，多数和少数类别都能显示出预期的激活情况。
class activation mappingbinary classifiersfacial attribute classifiersimbalanced datasetbalanced classifier
发现论文，激发创造
  • 使用梯度加权类激活映射引导 DNN 的注意力进行人脸属性分类

    本文提出一种交互式的方法，通过手动指定区域，让分类器注意到这些区域，以减轻共现偏差对预训练深度神经网络的影响，在 CelebA 数据集上测试并 fine-tuned 预训练 AlexNet 以关注指定的面部属性。

    May, 2019

  • 人脸识别和属性预测中的深度不平衡学习

    本研究采用各种经典策略验证了其在类不平衡数据的表示学习有效性，并展示了同时在和类内外保持间隔的约束下学习更具有区分性的深度表示的方法：Cluster-based Large Margin Local Embedding (CLMLE)，结合简单的 k 近邻聚类算法，改善了三维面部识别和面部属性预测任务中现有方法的准确性。

    Jun, 2018

  • 从非判别特征中提取类激活图

    提出了一种新的计算 CAM 的方法，通过引入一种新的计算方法，可以显式地捕捉到不具有识别能力的对象特征，从而将 CAM 扩展到覆盖整个对象，实验结果表明，该方法在弱监督语义分割领域具有优越性，且计算成本较低。

    Mar, 2023

  • 使用视觉注意聚合的深度不平衡属性分类

    提出一种基于 multi-label 分类、视觉注意力机制、以及解决数据类别不平衡问题的损失函数等的方法，实现了在 PETA 和 WIDER-Attribute 数据集中的人体属性识别，并取得了最先进的效果。

    Jul, 2018

  • 深入探讨数据集偏差

    本文通过研究不同表示下的现有去偏方法的表现，旨在验证在面临数据集偏差问题时使用 DeCAF 特征的潜力，并就数据集偏差问题的哪些方面是已经解决的，哪些方面是需要解决的进行分析。

    May, 2015

  • 长尾视觉识别的平衡激活

    介绍了平衡激活 (Balanced Activation) 作为 Sigmoid 和 Softmax 激活函数的扩展，以适应目标检测中训练和测试之间的标签分布偏移；通过实验表明这种方法相对于当前最先进的方法提供了～3% 的性能提升，并且不需要引入额外的参数。

    Aug, 2020

  • 评估图像分类中的偏差

    本研究通过使用归因地图的方法，系统性地揭示数据偏差，从而证明了某些归因地图技术比其他技术更好地凸显了数据中的偏差，并且度量可以支持发现偏差。

    Jul, 2021

  • 用于视觉实例搜索的类加权卷积特征

    本文提出了一种基于目标图像预测的语义信息的局部感知编码方法，在图像检索中使用卷积神经网络和类激活图进行无监督重排和目标检测，证明了其在 Oxford5k 和 Paris6k 等公共数据集上的优越性能。

    Jul, 2017

  • 利用生成模型表征分类器的偏差

    使用逐步条件生成模型和贝叶斯优化的方法，通过生成对抗网络来分析分类器在种族和性别方面的偏差。

    May, 2019

  • 基于梯度的激活函数实现准确无偏学习

    通过使用抗干扰学习中的自我学习机制，可以显著提高模型的准确性并减少偏差。

    Feb, 2022