分类驱动街道场景分割中的地理偏差
计算机视觉与模式识别
2024-12-17 v1 计算机与社会
机器学习
摘要
先前的研究表明，缺乏地理多样性的图像数据集会导致在其上训练的模型出现有偏差的性能。虽然早期工作研究了通用图像数据集（如 ImageNet）和图像识别等简单任务，但我们在更复杂的任务——实例分割上，研究了真实世界驾驶数据集中的地理偏差。我们检验了在欧洲驾驶场景上训练的实例分割模型（以欧洲为中心的模型）是否存在地理偏差。与先前的工作一致，我们发现以欧洲为中心的模型存在地理偏差。有趣的是，我们发现地理偏差源于分类错误而非定位错误，仅分类错误就贡献了分割中 10-90% 的地理偏差和检测中 19-88% 的地理偏差。这表明，虽然分类存在地理偏差，但定位（包括检测和分割）在地理上是稳健的。我们的研究结果表明，在特定区域模型（如以欧洲为中心的模型）中，通过使用更粗粒度的类别（例如，将汽车、公交车和卡车归为四轮车），可以显著缓解由分类错误引起的地理偏差。
引用
@article{arxiv.2412.11061,
title = {Classification Drives Geographic Bias in Street Scene Segmentation},
author = {Rahul Nair and Gabriel Tseng and Esther Rolf and Bhanu Tokas and Hannah Kerner},
journal= {arXiv preprint arXiv:2412.11061},
year = {2024}
}