时间: 2020年03月12日 09: 00
地点: 四川大学视觉计算实验室钉钉群
研读成员: 李龙兴
研读内容:
[1]Z. Zheng, X. Yang, Z. Yu, L. Zheng, Y. Yang and J. Kautz, "Joint Discriminative and Generative Learning for Person Re-Identification," 2019 IEEE/CVF Conference on Computer Vision and Pattern Recognition (CVPR), Long Beach, CA, USA, 2019, pp. 2133-2142.
[2]Y. Ahn and Y. Lin, "FairSight: Visual Analytics for Fairness in Decision Making," in IEEE Transactions on Visualization and Computer Graphics, vol. 26, no. 1, pp. 1086-1095, Jan. 2020.
论文简介:
[1]相同目标在不同摄像机之间类内差异很大,人的重识别(re-id)仍然具有挑战性。最近,人们越来越关注使用生成模型来增强训练数据。然而,现有方法中的生成器与re-id学习阶段保持相对分离。因此,经常以简单的方式对生成的数据训练re-id模型。在本文中提出了一个联合学习框架DG-Net,该框架将re-id学习和数据生成端对端地结合在一起。模型包括一个将每个人分别编码为外观代码和结构代码的生成模块,以及一个与生成模块共享外观编码器的判别模块。通过切换外观或结构代码,生成模块能够生成高质量的交叉ID组成的图像,这些图像会在线反馈给外观编码器,并用于改进判别模块。在三个基准测试上的实验表明,本文方法提高了图像生成质量和re-id学习的准确性。
[2]与个人相关的数据驱动决策系统越来越普遍,但最近有研究指出关于潜在的歧视问题。为了解决此类问题,研究人员正致力于研究促进公平性的措施和算法。本文介绍了FairDM决策框架,并提出了一种视觉分析系统——FairSight,它通过“理解”、“度量”、“诊断”和“缓解偏见”操作可促进现实世界中进行全面的公平决策。通过案例研究和用户研究,作者证明了系统中提出的视觉分析和诊断模块可以有效地理解公平意识的决策流程并获得更公平的结果。