面向开放环境的鲁棒性与公平性视觉学习

本论文报告了四项关于视觉学习中公平性与鲁棒性的关键贡献。首先，为解决大规模数据需求的问题，本论文提出了一种新颖的公平域适应方法，源自双射最大似然和公平适应学习两项主要新研究发现。其次，为实现视觉学习的开放式建模能力，本论文提出了一种新颖的开放式公平持续学习框架。该研究方向的成功归功于两条研究线，即公平持续学习和开放式持续学习。第三，由于视觉数据通常来自多个摄像头视角，鲁棒视觉学习方法应能够建模跨视角的不变特征。为实现这一目标，本论文将提出一种新颖的基于几何的跨视角适应框架，以学习跨视角的鲁棒特征表示。第四，随着大规模视频和多模态数据的增加，理解特征表示并提高大规模视觉基础模型的鲁棒性至关重要。因此，本论文将提出基于Transformer的新方法，以提高对多模态和时序数据鲁棒特征表示的能力。随后，将提出一种新颖的域泛化方法，以提高视觉基础模型的鲁棒性。本研究的理论分析和实验结果表明，所提出的方法有效且优于先前研究。本论文的贡献推动了机器视觉学习的公平性和鲁棒性。