GeoNet: Benchmarking Unsupervised Adaptation across Geographies

要約

近年、トレーニング中に見えないドメインや環境に対するビジョン モデルのロバスト性を改善することを目的としたいくつかの取り組みが行われてきました。
重要な実用上の問題は、トレーニング データセットで十分に表現されていない新しい地理に展開されたモデルに関係しており、公正で包括的なコンピューター ビジョンに直接的な課題をもたらします。
この論文では、地理的な堅牢性の問題を研究し、3 つの主要な貢献を行います。
まず、シーン認識 (GeoPlaces)、画像分類 (GeoImNet)、ユニバーサル アダプテーション (GeoUniDA) などのさまざまなタスクにわたるベンチマークを含む、地理的適応のための大規模なデータセット GeoNet を紹介します。
次に、地理的適応の問題に典型的な分布シフトの性質を調査し、ドメイン シフトの主な原因は、シーン コンテキスト (コンテキスト シフト)、オブジェクト デザイン (デザイン シフト)、およびラベル分布 (事前シフト) の大幅な変動から生じるという仮説を立てます。
地理的に。
3 番目に、GeoNet でいくつかの最先端の教師なしドメイン適応アルゴリズムとアーキテクチャの広範な評価を実施し、それらが地理的適応には不十分であること、および大規模なビジョン モデルを使用した大規模な事前トレーニングも不十分であることを示します。
地理的堅牢性につながります。
私たちのデータセットは、https://tarun005.github.io/GeoNet で公開されています。

要約(オリジナル)

In recent years, several efforts have been aimed at improving the robustness of vision models to domains and environments unseen during training. An important practical problem pertains to models deployed in a new geography that is under-represented in the training dataset, posing a direct challenge to fair and inclusive computer vision. In this paper, we study the problem of geographic robustness and make three main contributions. First, we introduce a large-scale dataset GeoNet for geographic adaptation containing benchmarks across diverse tasks like scene recognition (GeoPlaces), image classification (GeoImNet) and universal adaptation (GeoUniDA). Second, we investigate the nature of distribution shifts typical to the problem of geographic adaptation and hypothesize that the major source of domain shifts arise from significant variations in scene context (context shift), object design (design shift) and label distribution (prior shift) across geographies. Third, we conduct an extensive evaluation of several state-of-the-art unsupervised domain adaptation algorithms and architectures on GeoNet, showing that they do not suffice for geographical adaptation, and that large-scale pre-training using large vision models also does not lead to geographic robustness. Our dataset is publicly available at https://tarun005.github.io/GeoNet.

arxiv情報

著者 Tarun Kalluri,Wangdong Xu,Manmohan Chandraker
発行日 2023-03-27 17:59:34+00:00
arxivサイト arxiv_id(pdf)

提供元, 利用サービス

arxiv.jp, Google

カテゴリー: cs.AI, cs.CV, cs.LG パーマリンク