关于感知冲突可靠性的问题
计算机视觉与模式识别
2026-03-13 v2 人工智能
摘要
理解神经网络如何依赖视觉线索提供人类可解释的内部决策过程视图。感知冲突基准测试一直在探讨形状-纹理偏好，并推动了更强关联人类形状偏见通常与改进现域性能相关的洞察。然而，我们发现当前基于风格化的实例化可能导致不稳定且模糊的偏差估计。具体而言，风格化可能不可靠地实例化感知上有效且可分离的线索，或控制其相对信息性，比例基准偏差可能掩盖绝对线索灵敏度，限制仅针对预选类别的评估可能通过忽略完整决策空间来扭曲模型预测。这些因素共同可能混淆偏好与线索有效性、线索平衡以及可识别性伪影。我们引入 REFINED-BIAS，一个用于可靠且可解释形状-纹理偏差诊断的集成数据集和评估框架。REFINED-BIAS 通过明确定义形状和纹理，构建平衡且人类和模型可识别的线索对，并通过基于排序的度量在完整标签空间上测量线索特定灵敏度，从而实现更公平的跨模型比较。在多样化的训练 regime 和架构下，REFINED-BIAS 实现了更公平的跨模型比较、更可靠的形状和纹理偏差诊断，以及更清晰的经验性结论，解决了先前感知冲突评估无法可靠消除的不一致性。
引用
@article{arxiv.2603.10834,
title = {On the Reliability of Cue Conflict and Beyond},
author = {Pum Jun Kim and Seung-Ah Lee and Seongho Park and Dongyoon Han and Jaejun Yoo},
journal= {arXiv preprint arXiv:2603.10834},
year = {2026}
}
备注
Shape-Texture Bias, Cue Conflict Benchmark