相关实验视频
Updated: Sep 16, 2025

Behavioral Tasks for Examining Identity Recognition In Mice
Published on: February 7, 2025
从一个领域到另一个领域:在看不见的环境中,性别认同的陷
Nzakiese Mbongo1,2, Kailash A Hambarde1,3, Hugo Proença1,3
1Department of Computer Science, University of Beira Interior, 6201-001 Covilhã, Portugal.
性别识别模型在相似的数据集中表现良好,但在不同的领域中扎. 最近的方法显示显著的性能下降,强调需要在计算机视觉强大的跨领域评估.
科学领域:
- 计算机视觉 计算机视觉
- 机器学习 机器学习
- 模式识别 模式识别
背景情况:
- 从行人图像中识别性别被认为几乎解决了.
- 目前的评估主要使用域内设置,限制了现实世界的适用性.
- 最先进的架构往往无法在各种数据集中进行概括.
研究的目的:
- 进行首次对领先的性别认可架构进行全面的跨领域评估.
- 通过三个主要基准来评估模型性能:PA-100K,PETA和RAP.
- 为强大的跨领域评估引入标准化协议.
主要方法:
- 对六个最先进的架构 (ALM,VAC,Rethinking,LML,YinYang-Net,MAMBA) 进行了全面的跨领域评估.
- 54个可比的实验评估了数据集中的所有火车/测试组合.
- 引入统一的强度指标 (URM) 用于定量强度评估.
- 定性突出性分析以识别错误分类中的偏见.
主要成果:
- 域内F1得分的中位数接近90%,但在域移动下,平均表现下降了高达16.4个百分点.
- 最近的架构表现出最显著的性能退化.
- 适应性掩盖ALM模型显示了强大的跨域性能 (F1>80%),特别是在高分辨率或姿势稳定的场景中.
- Saliency 分析揭示了模型预测中的过度信心和上下文偏见.
结论:
- 性别认可的跨领域挑战在当前的领域内评估中被大大低估了.
- 仅仅是建筑上的新性是不够的;强烈的诱导偏见对于强大的概括至关重要.
- 拟议的统一稳健度指标和评估协议为未来在领域适应性性别识别方面的研究提供了基准.
更多相关视频
05:48Author Spotlight: Investigating the Impact of Emotional Prosodies on Voice Recognition and Perception
Published on: August 9, 2024
07:36Eye Tracking During Visually Situated Language Comprehension: Flexibility and Limitations in Uncovering Visual Context Effects
Published on: November 30, 2018
相关概念视频
Schemas
Stereotypes, Prejudice, and Discrimination
Socioemotional Experience and Gender Development
Stereotype Threat and Self-fulfilling Prophecies
Naturalistic Observations
Prosopagnosia