Der Artikel untersucht die Herausforderungen bei der Klassifizierung von Gesichtsbildern, die sich außerhalb der Verteilung der Trainingsdaten befinden. Solche Bilder können aufgrund von Unterschieden in Umgebung, Geschlecht oder demografischer Verteilung auftreten und zu fehlerhaften Vorhersagen führen.
Um dieses Problem anzugehen, werden zwei Ansätze verfolgt:
Outlier Exposure: Das Modell wird während des Trainings auch mit Bildern aus einer Outlier-Verteilung konfrontiert, um die Leistung bei Daten außerhalb der Verteilung zu verbessern. Dazu werden die 20% der Bilder mit der größten Abweichung zur Trainingsdatenverteilung verwendet.
Wichtungsschemen: Die Verlustfunktion wird so angepasst, dass die Minderheitsklassen (z.B. weibliche Gesichter) stärker gewichtet werden, um Ungleichgewichte in den Trainingsdaten auszugleichen.
Die Experimente zeigen, dass beide Ansätze die Genauigkeit und Fairness des Modells bei der Klassifizierung von Gesichtsbildern außerhalb der Verteilung verbessern können. Insbesondere die Kombination aus Outlier Exposure und Wichtungsschemen liefert gute Ergebnisse.
A otro idioma
del contenido fuente
arxiv.org
Ideas clave extraídas de
by Gianluca Bar... a las arxiv.org 04-08-2024
https://arxiv.org/pdf/2404.03876.pdfConsultas más profundas