- Использование положительного сопоставления контрастных потерь с единицами лицевого действия для уменьшения систематической ошибки при распознавании выражений лица (arXiv)
Автор: Варша Суреш, Десмонд С. Онг.
Аннотация: модели машинного обучения автоматически изучают отличительные признаки из данных и, следовательно, подвержены изучению сильно коррелированных предубеждений, таких как использование защищенных атрибутов, таких как пол и раса. Большинство существующих подходов к уменьшению предвзятости направлены на то, чтобы явно уменьшить фокус модели на этих защищенных функциях. В этой работе мы предлагаем смягчить предвзятость, явно направляя внимание модели на важные для задачи функции, используя знания предметной области, и мы предполагаем, что это может косвенно уменьшить зависимость модели от ложных корреляций, которые она узнает из данных. Мы изучаем снижение предвзятости в системах распознавания выражений лица, используя лицевые единицы действия (AU) в качестве функции, релевантной задаче. С этой целью мы вводим Contrastive Loss с положительным сопоставлением на основе признаков, который изучает расстояния между положительными образцами на основе сходства между их соответствующими вложениями AU. Мы сравниваем наш подход с репрезентативными базовыми показателями и показываем, что включение релевантных для задачи функций с помощью нашего метода может повысить справедливость модели при минимальных затратах на производительность классификации.
2. Глобальная и пластичная контрастная потеря для точного автоматического обнаружения экссудата (arXiv)
Автор: Вэй Тан, Иньсяо Ван, Каннин Цуй, Раймонд Х. Чань.
Резюме: Диабетическая ретинопатия (ДР) является ведущей причиной слепоты во всем мире. Ранняя диагностика имеет важное значение в лечении диабета и может помочь в предотвращении ухудшения зрения. Поскольку ручное аннотирование медицинских изображений требует много времени, дорого и склонно к субъективности, что приводит к противоречивым диагнозам, для решения этих проблем было предложено несколько подходов к сегментации глубокого обучения. Однако эти сети часто полагаются на простые функции потерь, такие как бинарная кросс-энтропия (BCE), которые могут быть недостаточно сложными для эффективной сегментации поражений, таких как те, которые присутствуют при DR. В этой статье мы предлагаем функцию потерь, которая включает в себя глобальную потерю сегментации, потерю плотности на участках и потерю с учетом границ на участках, чтобы улучшить производительность этих сетей при обнаружении и сегментации твердых экссудатов. Сравнивая предложенную нами функцию потерь с потерями BCE в нескольких современных сетях, наши экспериментальные результаты показывают существенное улучшение производительности сети, достигнутое за счет включения контрастных потерь для патчей.
