【技术实现步骤摘要】
本专利技术涉及可信人工智能领域，尤其涉及一种基于生成模型的无偏图像分类方法。
技术介绍
1、图像分类任务作为一个最基础的计算机视觉领域任务，为计算机视觉领域其他多个任务提供了基础，在当今社会中具有重要性与广泛应用。例如在自动驾驶领域，用于辨识交通标志、车辆和行人，为智能交通系统提供关键信息，提高行车安全性。在安全领域，图像分类应用于监控摄像头，能够检测异常行为或潜在威胁，提升公共安全等等。这些应用展示了图像分类在不同领域中的多样性和关键作用，其发展不仅推动了技术的进步，也深刻影响了我们的日常生活。但当前分类任务中普遍存在虚假关联、分类存在偏见的问题，分类任务在某些子类别上的准确率较低，影响了图像分类在应用中的效果。
2、图像分类任务中的不公平性主要源于训练数据中分布的不平衡，例如对人脸是否微笑进行分类时，由于训练数据中大部分微笑的人脸为女性，传统方法(如经验风险最小化)训练的分类模型可能通过使用数据中微笑与女性之间的虚假关联作为预测目标的捷径，导致在微笑男性群体上的分类准确率降低，性别成为了影响微笑分类的偏见属性。
<...【技术保护点】
1.一种基于生成模型的无偏图像分类方法，其特征在于，包括如下步骤：
2.如权利要求1所述的一种基于生成模型的无偏图像分类方法，其特征在于，所述图像生成模型采用对抗生成网络。
3.如权利要求1所述的一种基于生成模型的无偏图像分类方法，其特征在于，所述优化目标的函数形式为：
4.如权利要求1所述的一种基于生成模型的无偏图像分类方法，其特征在于，所述向量合成权重的优化过程如下：在预设的取值范围内选择当前向量合成权重，由当前向量合成权重和不同偏见程度的图像编辑方向进行运算，得到当前编辑方向，将原始潜在编码和当前编辑方向进行运算，得到当前潜在...
【技术特征摘要】
1.一种基于生成模型的无偏图像分类方法，其特征在于，包括如下步骤：
2.如权利要求1所述的一种基于生成模型的无偏图像分类方法，其特征在于，所述图像生成模型采用对抗生成网络。
3.如权利要求1所述的一种基于生成模型的无偏图像分类方法，其特征在于，所述优化目标的函数形式为：
4.如权利要求1所述的一种基于生成模型的无偏图像分类方法，其特征在于，所述向量合成权重的优化过程如下：在预设的取值范围内选择当前向量合成权重，由当前向量合成权重和不同偏见程度的图像编辑方向进行运算，得到当前编辑方向，将原始潜在编码和当前编辑方向进行运算，得到当前潜在编码；将当前潜在编码输入到所述图像生成模型中，得到若干个当前生成图像；利用文本-图像匹配模型对当前生成图像进行判断：若满足当前生成图像和原始图像相比，分类属性保持不变，仅偏见属性发生变化，则将当前向量合成权重输出，作为优化后的向量合成权重；若不满足，则重新...
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。