标签:CaaM mathbf Attention Unbiased Visual Block mathcal 因果 mathrm
介绍
在图像识别和目标分类领域往往存在一些关于图像中虚假相关性的问题,最典型的如将图像中识别的主体(object)和背景(background)之间的相关性考虑成为识别主题类别的一个主要特征。如下图所示,注意力模型将ground
作为一个判断为鸟类的标签,在预测地上的熊的时候就做出了错误的判断。这种在不一样的场景下的图片,反而往往是在特殊紧急时,错误会十分致命。
图1
将问题形式化描述:数据集包含输入图像\(X\),标签\(Y\),标签被通用的混淆因子——背景\(S\)所影响,模型学习了潜在的虚假因果,将\(S\)作为识别\(Y\)的特征。
有一种方式是通过因果干预来减轻混淆偏差。例如收集bird
类别在所有场景下的图像。这样模型就会只关注于object本身。然而在实际应用中这种方式消耗人力比较大。
在实际应用中,不可能找到某个类别在所有场景下的,如
标签:CaaM,mathbf,Attention,Unbiased,Visual,Block,mathcal,因果,mathrm 来源: https://www.cnblogs.com/TABball/p/15717467.html
本站声明: 1. iCode9 技术分享网(下文简称本站)提供的所有内容,仅供技术学习、探讨和分享; 2. 关于本站的所有留言、评论、转载及引用,纯属内容发起人的个人观点,与本站观点和立场无关; 3. 关于本站的所有言论和文字,纯属内容发起人的个人观点,与本站观点和立场无关; 4. 本站文章均是网友提供,不完全保证技术分享内容的完整性、准确性、时效性、风险性和版权归属;如您发现该文章侵犯了您的权益,可联系我们第一时间进行删除; 5. 本站为非盈利性的个人网站,所有内容不会用来进行牟利,也不会利用任何形式的广告来间接获益,纯粹是为了广大技术爱好者提供技术内容和技术思想的分享性交流网站。