[复现] 勿以语境论物：学习克服语境偏差
计算机视觉与模式识别
2021-06-02 v1
摘要
Singh 等人 (2020) 指出了视觉识别数据集中语境偏差的危害。他们提出了两种方法，基于 CAM 的和特征分割的，能够在对象或属性缺失其典型语境时更好地识别它们，同时保持有竞争力的语境内准确率。为验证其性能，我们试图复现原论文中的所有 12 个表格，包括附录中的表格。我们还进行了额外的实验以更好地理解所提出的方法，包括在基于 CAM 的方法中增加正则化，以及在特征分割中移除加权损失。由于原代码未公开，我们用 PyTorch 1.7.0 从零实现了整个流程。我们的实现基于论文以及与作者的邮件交流。我们发现原论文提出的两种方法均有助于缓解语境偏差，尽管对于某些方法，即便完成了广泛的超参数搜索，我们也未能完全复现论文中的定量结果。例如，在 COCO-Stuff、DeepFashion 和 UnRel 上，我们的特征分割模型相较于标准基线在语境外图像上的准确率有所提升，而在 AwA 上我们观察到性能下降。对于提出的基于 CAM 的方法，我们能够将原论文结果复现至 0.5 mAP 以内。我们的实现可在 https://github.com/princetonvisualai/ContextualBias 找到。
引用
@article{arxiv.2104.13582,
title = {[Re] Don't Judge an Object by Its Context: Learning to Overcome Contextual Bias},
author = {Sunnie S. Y. Kim and Sharon Zhang and Nicole Meister and Olga Russakovsky},
journal= {arXiv preprint arXiv:2104.13582},
year = {2021}
}
备注
ML Reproducibility Challenge 2020. Accepted for publication in the ReScience C journal