基于自编码器的虚假关联消除方法
计算机视觉与模式识别
2024-06-28 v1
摘要
深度神经网络（DNN）在 various tasks 中表现卓越，但其对虚假关联的脆弱性构成了对越界分布（OOD）一般化的重大挑战。虚假关联指数据中不反映真实关系的错误关联，取决于数据集特征或偏差的副产品。这类关联可能导致DNN学习到在不同数据集或现实场景中不具鲁棒性的模式，从而削弱其在训练数据之外的泛化能力。本文提出了一种基于自编码器的方法，用于分析全球小麦头检测（GWHD）2021数据集中存在的虚假关联的本质。随后，我们采用填充技术结合加权盒子融合（WBF），实现了相对于YOLOv5基线提高2%的平均域准确率（ADA），并持续显示我们方法抑制GWHD 2021数据集中某些虚假关联的能力。我们方法的关键优势在于，针对在不可见测试环境中无法进行大规模调整或微调的情境，更为合适。
引用
@article{arxiv.2406.18901,
title = {Autoencoder based approach for the mitigation of spurious correlations},
author = {Srinitish Srinivasan and Karthik Seemakurthy},
journal= {arXiv preprint arXiv:2406.18901},
year = {2024}
}