迈向图像分割中标签偏差下的公平性：影响、测量与缓解
计算机视觉与模式识别
2026-05-11 v1 机器学习
摘要
带标注的数据集反映了其标注流程的偏差，这些偏差有时会引入标签偏差：导致不同人口统计学子群体之间系统性性能差异的群体条件性标签错误。图像分割中的标签偏差仍待探索，因为即使是检测它通常也需要难以获取的干净无偏标注。我们提出了一种以数据为中心的 Confident Learning 适配方法用于分割，允许在没有干净无偏真值的情况下直接在训练数据中检测标签偏差。通过将提供的训练标签与模型的高置信度预测进行比较，我们分离出量化偏差存在与性质的方向性错误，而 Dice 等标准重叠度量在此失效。我们进一步表明，标签偏差影响编码器特征空间中的子群体可分性，我们利用这一现象进行偏差缓解而非抑制它。我们在三个数据集上进行了评估，涵盖从合成偏差到真实偏差，展示了我们的框架如何在无法获取干净标签的情况下可靠地检测并缓解偏差，在所有实验条件下实现公平的性能。
引用
@article{arxiv.2605.06891,
title = {Towards Fairness under Label Bias in Image Segmentation: Impact, Measurement and Mitigation},
author = {Aditya Parikh and Stella Frank and Sneha Das and Aasa Feragen},
journal= {arXiv preprint arXiv:2605.06891},
year = {2026}
}