考虑排序公平性的自步深度回归森林
计算机视觉与模式识别
2022-06-14 v8
摘要
深度判别模型（DDMs），例如深度回归森林与深度决策森林，近来被广泛研究以解决人脸年龄估计、头部姿态估计等问题。由于缺少无噪声且分布均衡的良好标注数据，学习 DDMs 一直具有挑战性。现有方法通常通过学习更具判别力的特征或重加权样本来应对这些挑战。我们认为，让 DDMs 从易到难逐步学习更为合理，原因有二：首先，这更符合人类的认知过程；其次，噪声及代表性不足的样本可借由先前习得的知识加以区分。因此，我们诉诸一种渐进学习策略——自步学习（SPL）。接着一个自然的问题浮现：SPL 能否引导 DDMs 获得更鲁棒且偏差更小的解决方案？为回答此问题，本文提出一种新的 SPL 方法：易样本与代表性不足样本优先，用于学习 DDMs。该方法从公平性这一新视角解决了 SPL 中基本的排序与选择问题。我们的思路具有基础性，可轻松与多种 DDMs 结合。在三项计算机视觉任务（即人脸年龄估计、头部姿态估计与凝视估计）上的大量实验结果表明，我们的新方法在准确性与公平性上均获得可观的性能提升。源代码见 https://github.com/learninginvision/SPU。
引用
@article{arxiv.2112.06455,
title = {Self-Paced Deep Regression Forests with Consideration of Ranking Fairness},
author = {Lili Pan and Mingming Meng and Yazhou Ren and Yali Zheng and Zenglin Xu},
journal= {arXiv preprint arXiv:2112.06455},
year = {2022}
}
备注
The article is submitted to TNNLS, and is under review