有偏的二元属性分类器忽略了大多数类别
内容提要
本文提出了一种交互式方法，通过手动指定区域减轻共现偏差对深度神经网络的影响。研究验证了在类不平衡数据上有效的表示学习策略，并展示了改进的深度表示学习方法，提升了面部识别和属性预测的准确性。此外，提出了新的计算CAM方法，增强了弱监督语义分割的效果，并在人体属性识别中取得了先进成果。
延伸解读
共现偏差的交互式缓解思路
文章提出通过手动指定区域引导分类器关注特定部位，以减轻共现偏差对预训练深度网络的影响。这种方法在CelebA数据集上对AlexNet进行微调，针对面部属性进行优化。其核心在于利用人工先验干预模型注意力，而非完全依赖数据驱动，为处理属性分类中的偏差问题提供了一种可解释的交互路径。
类不平衡下的表示学习策略
针对类不平衡数据，研究采用CLMLE方法，在类内和类间同时保持间隔约束，结合k近邻聚类学习更具区分性的深度表示。该方法在三维面部识别和面部属性预测任务中提升了准确性，表明在数据分布不均时，通过结构化约束改善表示空间是有效的解决方向。
弱监督分割与CAM扩展
文章提出一种新的CAM计算方法，能显式捕捉不具有识别能力的对象特征，将CAM扩展到覆盖整个对象。实验显示该方法在弱监督语义分割中具有优越性且计算成本较低。这为仅使用图像级标签训练分割模型提供了更完整的定位能力，降低了像素级标注的依赖。
偏差分析与去偏技术对比
研究通过归因地图系统性揭示数据偏差，并比较不同技术凸显偏差的效果。同时，利用生成对抗网络分析分类器在种族和性别上的偏差，结合抗干扰学习的自我学习机制，显著提高模型准确性并减少偏差。这些工作表明，偏差检测与去偏需结合多种工具，且部分偏差方面已解决，部分仍需进一步研究。
Q&A
如何通过手动指定区域来减轻深度神经网络的共现偏差？
通过手动指定区域，分类器可以更关注这些区域，从而减轻共现偏差对深度神经网络的影响。
Cluster-based Large Margin Local Embedding (CLMLE) 方法的主要优势是什么？
CLMLE方法结合了k近邻聚类算法，改善了三维面部识别和面部属性预测的准确性。
新计算CAM方法在弱监督语义分割中有什么优越性？
新计算CAM方法能够显式捕捉不具有识别能力的对象特征，且计算成本较低，表现优越。
在PETA和WIDER-Attribute数据集中，如何实现人体属性识别的先进效果？
通过基于多标签分类、视觉注意力机制和解决数据类别不平衡问题的损失函数的方法，实现了先进的识别效果。
平衡激活函数如何提升目标检测的性能？
平衡激活函数作为Sigmoid和Softmax的扩展，提供了约3%的性能提升，且无需额外参数。
如何使用生成对抗网络分析分类器的偏差？
通过逐步条件生成模型和贝叶斯优化的方法，使用生成对抗网络分析分类器在种族和性别方面的偏差。
