TPAMI 2024 | 数据集人口统计偏见的指标：面部表情识别案例研究

最新推荐文章于 2024-10-31 19:02:23 发布
最新推荐文章于 2024-10-31 19:02:23 发布
阅读量70 收藏
点赞数
分类专栏： 论文解读 IEEE TPAMI 文章标签： 深度学习 顶刊论文 论文解读 TPAMI
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/qq_42722197/article/details/140921894
版权
论文解读 IEEE TPAMI 专栏收录该内容
293 篇文章 21 订阅 ¥49.90 ¥99.00
订阅专栏

题目：Metrics for Dataset Demographic Bias: A Case Study on Facial Expression Recognition

数据集人口统计偏见的指标：面部表情识别案例研究

作者：Iris Dominguez-Catena; Daniel Paternain; Mikel Galar

摘要

源数据集中的人口统计偏见已被证明是机器学习模型预测不公平和歧视的原因之一。最突出的偏见类型之一是数据集中人口统计组代表性的不平衡。在本文中，我们通过回顾现有的指标来研究这些偏见的衡量标准，包括可以从其他学科借鉴的指标。我们开发了这些指标的分类法，为选择合适的指标提供了实用指南。为了说明我们框架的实用性，并进一步理解这些指标的实际特征，我们对20个用于面部情感识别（FER）的数据集进行了案例研究，分析了其中存在的偏见。我们的实验结果表明，许多指标是冗余的，减少的指标子集可能足以衡量人口统计偏见的程度。本文为人工智能及相关领域的研究人员提供了宝贵的见解，以减少数据集偏见并提高人工智能模型的公平性和准确性。

关键词

了解本专栏 订阅专栏 解锁全文
小白学视觉
关注
专栏目录
订阅专栏
TPAMI 2024 | 正则化损失与超参数估计在弱监督单类分割中的应用
小白学视觉
07-18 1074
Regularized Loss With Hyperparameter Estimation for Weakly Supervised Single Class Segmentation 正则化损失与超参数估计在弱监督单类分割中的应用 作者：Zongliang Ji; Olga Veksler 摘要 我们提出了一种新的图像级弱监督分割方法，适用于只含有单一感兴趣对象类别的数据集。我们的方法基于经典条件随机场（CRF）建模启发的正则化损失函数。我们的损失模型了通用对象的属性，并用它引导CNN朝向更可能对
TPAMI 2024 | 人体运动生成：一项综述研究
小白学视觉
07-31 1030
人类动作生成旨在生成自然的人姿势序列，并展示出对现实世界应用的巨大潜力。近年来，在运动数据收集技术和生成方法方面取得了实质性进展，为人类动作生成日益增长的兴趣奠定了基础。该领域的大多数研究侧重于基于条件信号生成人类动作，例如文本、音频和场景上下文。尽管近年来取得了显著进展，但由于人类动作的复杂性质及其与条件信号的隐式关系，该任务仍然面临挑战。在这篇综述中，我们提供了人类动作生成的综合文献回顾，据我们所知，这是该领域首次此类综述。
TPAMI 2024 | 数据不平衡克星，ProCo算法：长尾视觉识别的终极解决方案！
人工智能曾小健
09-29 1194
长尾分布经常出现在现实世界的数据中，其中大量的少数类别包含有限数量的样本。这种不平衡问题极大地损害了主要为平衡训练集设计的标准监督学习算法的性能。最近的研究表明，监督对比学习在缓解数据不平衡方面表现出良好的潜力。然而，监督对比学习的性能受到一个固有挑战的困扰：它需要足够大的训练数据批次来构建覆盖所有类别的对比对，然而，在类别不平衡的数据背景下，这一要求很难满足。为了克服这个障碍，我们提出了一种新的概率对比 (ProCo)学习算法，该算法估计特征空间中每个类的样本的数据分布，并据此对对比对进行采样。
TPAMI 2024 | 单目深度估计：全面综述
小白学视觉
07-24 1101
在计算机视觉领域，对二维图像中深度的估计是一个具有挑战性的主题。这是一个长期被深入研究且定义不明确的问题，一直是密集研究的焦点。本文是对这一主题的深入回顾，呈现了两个方面：一方面考虑人类深度感知的机制，另一方面包括各种深度学习方法。这些方法以紧凑和结构化的方式呈现，概述了主题，并根据近十年的研究线索对方法进行了分类。尽管在这一主题上取得了显著进展，但似乎没有任何与人类深度感知及其潜在益处的联系。
TPAMI 2024 | Diversify：一种时间序列分布外检测和泛化的通用框架
小白学视觉
07-29 1198
题目：Diversify: A General Framework for Time Series Out-of-Distribution Detection and Generalization Diversify：一种时间序列分布外检测和泛化的通用框架 作者：W. Lu; J. Wang; X. Sun; Y. Chen; X. Ji; Q. Yang; X. Xie 摘要 时间序列仍然是机器学习研究中最具挑战性的模态之一。时间序列的分布外（OOD）检测和泛化常常由于其非平稳性质而面临困难，即分布随时
TPAMI 2024 | P2T：用于场景理解的金字塔池化Transformer
小白学视觉
08-19 632
最近，视觉Transformer通过推动各种视觉任务的最前沿取得了巨大成功。视觉Transformer面临的最大挑战之一是图像标记的大序列长度导致高计算成本（二次复杂度）。解决这个问题的一个流行方法是使用单个池化操作来减少序列长度。本文考虑了如何改进现有的视觉Transformer，其中通过单个池化操作提取的池化特征似乎不够强大。为此，我们注意到金字塔池化由于其在上下文抽象方面的强能力，在各种视觉任务中已被证明是有效的。然而，金字塔池化尚未在主干网络设计中被探索。
TPAMI 2024 | CrossFormer++: 基于跨尺度注意力的多功能视觉Transformer
小白学视觉
07-05 1476
虽然不同尺度的特征在视觉输入中具有感知重要性，但现有的视觉Transformer尚未显式利用这些特征。为此，我们首先提出了一种跨尺度视觉Transformer，即CrossFormer。它引入了跨尺度嵌入层（CEL）和长短距离注意力（LSDA）。一方面，CEL将每个标记与不同尺度的多个补丁混合，为自注意力模块本身提供跨尺度特征。另一方面，LSDA将自注意力模块分为短距离和长距离部分，这不仅减少了计算负担，还保留了标记中的小尺度和大尺度特征。
TPAMI 2024| DualCoOp++：一种快速高效的有限注释多标签识别方法
小白学视觉
05-25 840
在低标签状态下的多标签图像识别是一项极具挑战性和实际意义的任务。之前的工作主要集中在学习文本和视觉空间之间的对齐，以弥补图像标签的不足，但由于高质量多标签注释的缺乏，可能会导致精度下降。在这项研究中，我们利用了通过数百万辅助图像-文本对预训练的强大文本和视觉特征对齐能力。我们引入了一种高效的框架，称为证据引导的双上下文优化 (DualCoOp++)，作为解决部分标签和零样本多标签识别的统一方法。在 DualCoOp++ 中，我们分别为目标类别编码证据、正面和负面上下文，作为语言输入的参数化组件（即提示）。
TPAMI 2024 | 从医学图像的视角解读diffusion model里面的测度引导问题
小白学视觉
07-22 709
题目：Measurement Guidance in Diffusion Models: Insight from Medical Image Synthesis 从医学图像的视角解读diffusion model里面的测度引导问题 作者：Yimin Luo; Qinyu Yang; Yuheng Fan; Haikun Qi; Menghan Xia 源码链接： https://github.com/yangqy1110/MGDM 摘要 在医疗保健领域，样本获取通常受到成本、劳动密集型注释、隐私问题和辐
TPAMI 2024 | 通过消除法检测道路障碍物
小白学视觉
07-31 1431
车辆在道路上可能会遇到无数的障碍物，而且事先记录下它们以训练一个检测器是不可能的。相反，我们选择图像块，并使用周围的道路纹理进行填充，这倾向于从这些块中移除障碍物。然后，我们使用一个训练有素的网络来识别原始块和填充后的块之间的差异，这标志着擦除了一个障碍物。
TPAMI 2024 | Box2Mask: 基于包围盒的实例分割算法
小白学视觉
08-19 450
与使用像素级掩码标签的全监督方法不同，基于包围盒注释的实例分割利用简单的框注释，最近吸引了越来越多的研究关注。本文提出了一种新颖的单次实例分割方法，即Box2Mask，它将经典水平集演化模型整合到深度神经网络学习中，仅使用包围盒监督就能实现精确的掩码预测。具体来说，输入图像及其深度特征被用来隐式地演化水平集曲线，并且使用基于像素亲和核的局部一致性模块来挖掘局部上下文和空间关系。
TPAMI 2024 | 更快的人员再识别：单次过滤和粗到细搜索
小白学视觉
05-29 104
更快的人员再识别：单次过滤和粗到细搜索
TPAMI 2024 | I2C：用于高保真可变速率图像压缩的可逆连续编解码器
小白学视觉
07-21 201
有损图像压缩是媒体传输和存储中的核心技术。最近，可变码率方法获得了较多关注，以避免在不同压缩率下使用不同的模型集合。在媒体共享过程中，不可避免地会执行多次不同码率的重新编码。然而，现有的基于变分自编码器（VAE）的方法在这种情况下很容易被破坏，导致强烈的伪影出现和图像保真度的破坏。基于通过可逆变换保持图像保真的理论发现，我们旨在解决高保真度细粒度可变码率图像压缩的问题，因此提出了可逆连续编解码器（I2C）。我们以数学可逆的方式实现I2C，并采用核心的可逆激活变换（IAT）模块。
[综述笔记]Deep learning for brain disorder diagnosis based on fMRI images
Sherlily的博客
10-31 1125
计算机-人工智能-脑科学与类脑智能
深度学习-理论知识
qq_63961628的博客
10-31 335
深度学习（Deep Learning）是机器学习的一个子领域，它利用多层人工神经网络来模拟人脑的结构和功能，从而在复杂数据的分析、理解和生成上表现出色。深度学习是当前人工智能（AI）研究的核心技术之一，已广泛应用于图像识别、自然语言处理、自动驾驶等领域。下面，我将为你详细介绍深度学习的理论知识。
深度学习案例：一步步搭建多层神经网络以及应用
STRANGEX-03的博客
10-31 361
该案例来自吴恩达深度学习系列课程一《神经网络和深度学习》第四周编程作业，一步步搭建多层神经网络以及应用，作业内容是搭建一个能够识别猫的多层的神经网络。作业提供的资料包括：训练集、测试集、测试实例、神经网络工具包、加载数据的工具包，下载请移步参考链接一。
深度学习（九）：推荐系统的新引擎（9/10）
最新发布
小相探索IT世界
10-31 1479
深度学习在推荐系统中的应用为用户带来了更智能、更个性化的推荐体验。通过与推荐系统的融合，深度学习解决了传统推荐系统在处理大规模、高维度数据时的力不从心，以及冷启动和数据稀疏等问题。在应用方式上，各种 2vec 的应用、基于神经协同过滤的推荐以及在个性化推荐系统中的特征表示学习、序列模型和嵌入模型等，都为推荐系统的准确性和个性化提供了有力支持。构建深度学习推荐系统时，需要考虑整体框架与技术选择，如大数据框架和深度学习模型的选择。同时，通过具体案例分析，可以更好地理解深度学习在推荐系统中的实际应用。
引入了窥视孔连接（peephole connections）的LSTM
m0_73640344的博客
10-29 663
通过引入窥视孔连接，LSTM能够更加精确地控制信息流，因为每个门都可以根据细胞状态的即时值进行调整。这种设计不仅增强了模型的性能，尤其是在需要精细控制内部状态记忆的应用中，如复杂的序列预测和模式识别任务，也提高了决策过程的透明度和直观性。
深入探索：深度学习在时间序列预测中的强大应用与实现
平凡程序猿~的博客
10-28 3455
随着深度学习的快速发展，循环神经网络（RNN）、长短期记忆网络（LSTM）、门控循环单元（GRU）、卷积神经网络（CNN）以及Transformer模型逐步应用到时间序列分析中，并取得了较好的结果。下面将详细介绍这些模型的原理、优势、不足以及实际应用中的代码示例。
2007年TPAMI：无监督图像对象识别与多尺度分割新方法
值得注意的是，这项研究发表于2007年的《IEEE Transactions on Pattern Analysis and Machine Intelligence》(TPAMI)，表明了其在当时的研究价值和影响力。整体而言，该工作为无监督图像处理中的对象识别、分割和...
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包

打赏作者

小白学视觉

您的赞赏是我们坚持下去的动力~

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付：¥1
获取中
扫码支付

您的余额不足，请更换扫码支付或充值

打赏作者

实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值