利用卫星影像缓解对比表示学习中的城乡差异

卫星影像正被应用于气候、经济和公共卫生等诸多社会关键任务。然而，由于地貌的异质性（例如道路在不同地区的外观不同），模型在不同地理区域可能表现出性能差异。鉴于在社会语境中使用的算法系统存在差异的潜在风险，本文我们考虑在土地覆盖特征识别中出现城乡差异的风险。这通过语义分割（一种常见的计算机视觉任务，将图像区域按所显示内容标注）实现，其使用通过对比自监督学习生成的预训练图像表示。我们提出公平稠密对比学习表示（FairDCL）作为一种对卷积神经网络模型多级潜在空间去偏的方法。该方法通过对比预训练以无监督方式，移除在城市与农村地区分布不均的伪模型表示，从而改善特征识别。所得图像表示缓解了下游城乡预测差异，并在真实卫星影像上优于 SOTA 基线。嵌入空间评估与消融研究进一步证明了 FairDCL 的鲁棒性。由于地理影像的泛化性与鲁棒性仍是新兴课题，我们的工作促使研究者在相关应用中考虑平均准确率之外的度量指标。