研究创建了有效减少数据集偏差的人工智能模型_地球与科学

　　该研究小组的新图像翻译模型通过从一个单独的域提取和组合有关输入图像内容和纹理的信息来工作。

　　所创建的模型被训练为利用空间自相似和纹理共现的误差函数来存储信息，不仅存储输入照片的内容，而且存储新域的纹理。该模型可以生成具有不同域纹理的图像，同时使用这些过程保留关于输入图像内容的知识。

　　新的深度学习模型优于以前的方法，因为它使用纹理去偏生成数据集，并使用获得的数据集进行训练。当在具有纹理偏差的数据集上进行测试时，例如用于区分数字的分类数据集，用于区分不同毛色的狗和猫的分类数据集，以及使用不同图像协议区分COVID-19和细菌性肺炎的分类数据集，它优于现有的去偏见和图像翻译技术。

　　此外，当应用于具有不同偏差的数据集时，例如用于识别多标签整数的分类数据集和用于区分图片、绘图、动画和草图的分类数据集，它优于以前的算法。

　　此外，朴教授研究小组的图片翻译技术可以用于图像的改变。研究小组发现，所建议的技术只是改变了图像的纹理，同时保持了图像的原始内容。这一分析结果证实了该方法与现有图像处理方法相比具有优越的性能。

　　此外，该解决方案可以有效地应用于各种情况。研究人员评估了该方法与现有的基于其他领域的图像翻译系统(如医疗和自动驾驶图像)的有效性。根据分析数据，所开发的方法优于现有的方法。

　　朴教授表示:“在工业和医疗领域不可避免地使用有偏见的数据集来训练深度学习模型的情况下，通过此次研究开发的技术可以显著提高性能。”

　　他还补充说，“预计该解决方案将为提高商业用途或在各种环境中分发的人工智能模型的稳健性做出重大贡献。”(ANI)

边互网声明：未经许可，不得转载。