GeoNet：跨地域无监督自适应的基准测试
计算机视觉与模式识别
2023-03-28 v1 人工智能
机器学习
摘要
近年来，若干工作致力于提升视觉模型对训练期间未见域与环境的鲁棒性。一个重要的实际问题涉及部署于训练数据集中代表性不足的新地域的模型，这对公平和包容的计算机视觉提出了直接挑战。本文中，我们研究地理鲁棒性问题并作出三项主要贡献。首先，我们引入大规模数据集 GeoNet 用于地理自适应，包含跨多样任务的基准：场景识别（GeoPlaces）、图像分类（GeoImNet）和通用自适应（GeoUniDA）。其次，我们调查了地理自适应问题典型的分布偏移本质，并假设域偏移的主要来源在于各地域间场景上下文（上下文偏移）、物体设计（设计偏移）和标签分布（先验偏移）的显著变化。第三，我们在 GeoNet 上对若干最先进的无监督域自适应算法与架构进行了广泛评估，表明它们不足以应对地理自适应，且使用大型视觉模型的大规模预训练也未带来地理鲁棒性。我们的数据集公开于 https://tarun005.github.io/GeoNet。
引用
@article{arxiv.2303.15443,
title = {GeoNet: Benchmarking Unsupervised Adaptation across Geographies},
author = {Tarun Kalluri and Wangdong Xu and Manmohan Chandraker},
journal= {arXiv preprint arXiv:2303.15443},
year = {2023}
}
备注
CVPR 2023 Camera Ready. Project Page: https://tarun005.github.io/GeoNet