Suréchantillonage Actif pour Modérer l'Apprentissage de Biais Visuels - Archive ouverte HAL Accéder directement au contenu
Communication Dans Un Congrès Année : 2023

Image Representation Avoiding Naive learning

Suréchantillonage Actif pour Modérer l'Apprentissage de Biais Visuels

Résumé

Image recognition techniques have become particularly powerful in the last decade. However, learning on biased data, for example, the regular presence of a blue background behind a fish, drastically reduces the performances of current approaches that tend to learn these biases. In this paper, we propose ImRAN, an active learning method that consists in over-representing misclassified data, which improves the state of the art on the Biased MNIST dataset when it is highly biased.
Les techniques de reconnaissance d'image sont devenues particulièrement performantes lors de cette dernière décennie. Cependant l'apprentissage sur des données biaisées, par exemple, la présence régulière d'un fond bleu derrière un poisson, réduit drastiquement les performances des approches actuelles qui ont tendance à apprendre ces biais. Dans ce papier, nous proposons ImRAN, une méthode d'apprentissage actif qui consiste à surreprésenter les données mal classifiées, et qui améliore l'état de l'art sur le jeu de données Biased MNIST lorsqu'il est très biaisé. Mots-clés Apprentissage profond non-biaisé, apprentissage de raccourcis, apprentissage actif, classification d'image.
Fichier principal
Vignette du fichier
CAp_2023_DEVILLERS.pdf (269.14 Ko) Télécharger le fichier
Origine : Fichiers produits par l'(les) auteur(s)

Dates et versions

hal-04184291 , version 1 (21-08-2023)

Identifiants

  • HAL Id : hal-04184291 , version 1

Citer

Alexandre Devillers, Benoît Alcaraz, Mathieu Lefort. Suréchantillonage Actif pour Modérer l'Apprentissage de Biais Visuels. Conférence sur l’Apprentissage Automatique, PFIA, Jul 2023, Strasbourg, France. ⟨hal-04184291⟩
22 Consultations
19 Téléchargements

Partager

Gmail Facebook X LinkedIn More