领域自适应能否让物体识别惠及所有人？
计算机视觉与模式识别
2022-04-26 v1 机器学习
摘要
尽管深度视觉识别取得了快速进展，现代计算机视觉数据集显著过度代表了发达世界，且在此类数据集上训练的模型在来自未见地理区域的图像上表现不佳。我们研究了此类模型跨地理区域的无监督领域自适应（UDA）在缩小这一性能差距上的有效性。为此，我们首先从现有数据集构建了两种偏移以研究地理领域自适应问题，并发现了数据分布偏移之外的全新挑战：上下文偏移，即物体的周边环境在不同地理区域可能发生显著变化；以及子群体偏移，即类内分布可能发生偏移。我们展示了标准DA方法在地理领域自适应上的无效性，强调亟需专门的地理自适应解决方案来应对使物体识别惠及所有人的挑战。
引用
@article{arxiv.2204.11122,
title = {Can domain adaptation make object recognition work for everyone?},
author = {Viraj Prabhu and Ramprasaath R. Selvaraju and Judy Hoffman and Nikhil Naik},
journal= {arXiv preprint arXiv:2204.11122},
year = {2022}
}
备注
Published at the L3D-IVU workshop at CVPR 2022