BriefGPT - AI 论文速递
·
使用概念图进行可视数据诊断和去偏见
💡
原文中文，约400字，阅读约需1分钟。
📝
内容提要
现有方法忽视了场景图生成中的概念不平衡问题。为此，提出了广义无偏场景图生成（G-USGG），结合多概念学习和概念正则化技术，量化并学习谓词间的不平衡。通过平衡原型记忆实现概念的平衡学习。实验表明，该方法在VG-SGG和OI-SGG数据集上显著提升了模型性能。
🎯
关键要点
- 现有无偏场景图生成方法忽视了概念级别的不平衡问题。
- 提出了广义无偏场景图生成（G-USGG），考虑谓词级和概念级的不平衡。
- 引入多概念学习（MCL）框架，通过多个概念原型量化谓词间的概念级不平衡。
- 使用概念正则化（CR）技术有效学习概念原型。
- 引入平衡原型记忆（BPM）实现不同概念的平衡学习。
- 实验表明该方法在VG-SGG和OI-SGG数据集上显著提升模型性能。
- 取得了谓词级无偏关系识别和概念级组合生成的最新成就。
➡️
