SemCovNet：面向欠representational视觉概念的公平语义覆盖感知学习
计算机视觉与模式识别
2026-02-20 v1
摘要
现代视觉模型越来越依赖超越类别标签的丰富语义表示，包括描述性概念和情境属性。然而，现有数据集存在语义覆盖不平衡(SCI)，这是一种此前被忽视的偏差，源于语义表示的长尾分布。与类别不平衡不同，SCI发生在语义层面，影响模型如何学习和推理关于罕见但有意义语义的知识。为缓解SCI，我们提出语义覆盖感知网络(SemCovNet)，一种显式学习语义覆盖差异的新型模型。SemCovNet集成了语义描述图(SDM)用于学习语义表示，描述注意力调制(DAM)模块用于动态加权视觉与概念特征，以及描述-视觉对齐(DVA)损失用于对齐视觉特征与描述语义。我们提出覆盖差异指数(CDI)量化语义公平性，衡量覆盖与错误之间的对齐程度。广泛实验表明，SemCovNet显著提升了模型可靠性，大幅降低CDI，实现更公平、更均衡的性能。本工作确立了SCI为可衡量且可纠正的偏差，为推动语义公平性和可解释视觉学习奠定基础。
引用
@article{arxiv.2602.16917,
title = {SemCovNet: Towards Fair and Semantic Coverage-Aware Learning for Underrepresented Visual Concepts},
author = {Sakib Ahammed and Xia Cui and Xinqi Fan and Wenqi Lu and Moi Hoon Yap},
journal= {arXiv preprint arXiv:2602.16917},
year = {2026}
}