Facebook最新研究成果:AI更爱识别有钱人,准确率高出20%!

简介: Facebook的研究表明,AI对物体并非无差异识别,计算机视觉系统能更加高效地识别更贵的家庭物体。

image.png

智造观点

Facebook的研究表明,AI对物体并非无差异识别,计算机视觉系统能更加高效地识别更贵的家庭物体。

最近,Facebook AI研究人员在ARXIV上发表了一篇题为《物体识别对每个人都一样有效吗?》的论文,他们指出“与亚洲和非洲相比,系统更容易识别北美和欧洲家庭中的物品。”研究人员公布了6个主流物体识别系统的分析,进一步发现识别家庭物体的计算机视觉对高收入家庭更有效

这项研究检验了Facebook、Google Cloud、Microsoft Azure、AWS、IBM Watson和Clarifai开发的分类系统,旨在分析公共目标识别系统在地理多样性数据上的准确性。

image.png

论文的数据包含家庭物品,希望比物体识别中常用的图像数据有更具代表性的地理覆盖范围。他们发现,在家庭收入较低的国家,这些系统在家庭物品上的表现相对较差。性能下降主要是由于对象类(例如,洗碗皂)的外观差异以及放置的不同环境(例如,浴室外出现的牙刷)造成的。

最终研究结果显示,6个主流物体检测系统的分析对富裕家庭的效果要比最贫穷家庭好10-20%。研究人员进一步例证,Facebook在美国每月收入3500美元或以上的家庭与索马里和布基纳法索等国每月收入50美元或以下的家庭之间的准确率差距高达20%。

image.png

物体识别是什么?

物体识别使用计算机视觉来辨别椅子、牙膏或衣服等事物之间的区别。它被众多云服务公司以及面向消费者的服务所利用,如谷歌助手的计算机视觉服务镜头和亚马逊的风格感知都利用了这项技术。Facebook使用目标检测进行内容审核,并为有视觉障碍的人识别屏幕上的东西。

研究结果表明,这个问题并不是存在于一个特定的物体识别系统,而是广泛影响了包括Facebook在内的众多公司的工具,结果清楚地表明,未来整个行业包括Facebook需要做得更好。他们希望通过公布结果和阐述方法,让更多AI研究人员和工程师可以利用这个程序来测试和比较自家识别系统的性能,然后更有效地为每个人服务。

image.png

造成贫富差异的原因是什么?

从地图上看,Facebook的物体识别性能在南半球的表现最差

为了测试物体识别系统的准确性,研究人员使用了由Gapminder基金会对50个国家的264个家庭拍摄的图像进行汇编的开源数据集Dollar Street。

研究发现,当下系统中的差异可能是由于众多目标探测系统在训练时使用的Imagenet几乎完全是欧洲和北美的照片汇编而成。通过公共照片网站上的英语搜索获得的照片也可能是美国和欧洲高收入环境过度表现的一个原因。事实上,Facebook计算机视觉研究人员在前些时间绘制非洲人口密度图时,不得不重新定义房屋的类型。

image.png

Facebook表示,它计划通过使用包含非英语标签的图像对其卷积网络进行培训来解决这一缺陷。这项工作将在6月16日至20日在加利福尼亚长滩举行的计算机视觉和模式识别领域的顶级会议(CVPR)上举行的计算机视觉全球挑战研讨会上分享。

来源:微信公众号 人工智能观察

目录
相关文章
|
2月前
|
机器学习/深度学习 人工智能 监控
AI算法分析,智慧城管AI智能识别系统源码
AI视频分析技术应用于智慧城管系统,通过监控摄像头实时识别违法行为,如违规摆摊、垃圾、违章停车等,实现非现场执法和预警。算法平台检测街面秩序(出店、游商、机动车、占道)和市容环境(垃圾、晾晒、垃圾桶、路面不洁、漂浮物、乱堆物料),助力及时处理问题,提升城市管理效率。
AI算法分析,智慧城管AI智能识别系统源码
|
2月前
|
机器学习/深度学习 编解码 人工智能
麻省理工AI新研究可将马赛克变视频
【2月更文挑战第30天】麻省理工学院等机构的研究团队推出AI新技术FeatUp,可将低分辨率图像提升为高清视频,该技术在2024年ICLR会议上引起关注。FeatUp基于深度特征提取,通过多视角一致性损失恢复空间信息,提高视频清晰度。模型通用性强,适用于多种任务和现有应用。实验显示,它在图像超分辨率和端到端学习模型性能提升上超越其他方法。然而,尚存在对某些内容处理不完善和计算资源需求高的局限性。
87 2
麻省理工AI新研究可将马赛克变视频
|
2月前
|
机器学习/深度学习 人工智能 监控
AI威胁检测与识别
AI在网络安全中扮演关键角色,实现实时监控、异常检测、高级威胁识别和自动化响应。通过机器学习和深度学习,AI能分析大量数据,预测攻击,智能支持决策,并评估风险。然而,随着攻击手段进化,AI系统的抗攻击性研究和持续升级至关重要。
51 2
|
2月前
|
机器学习/深度学习 数据采集 人工智能
【专栏】AI在软件测试中的应用,如自动执行测试用例、识别缺陷和优化测试设计
【4月更文挑战第27天】本文探讨了AI在软件测试中的应用,如自动执行测试用例、识别缺陷和优化测试设计。AI辅助工具利用机器学习、自然语言处理和图像识别提高效率,但面临数据质量、模型解释性、维护更新及安全性挑战。未来,AI将更注重用户体验,提升透明度,并在保护隐私的同时,通过联邦学习等技术共享知识。AI在软件测试领域的前景广阔,但需解决现有挑战。
|
9天前
|
数据采集 机器学习/深度学习 人工智能
AI小分子药物发现的百科全书,康奈尔、剑桥、EPFL等研究者综述登Nature子刊
【7月更文挑战第12天】康奈尔、剑桥及EPFL科学家合作,详述AI在药物发现中的突破与挑战[^1]。AI现用于新化合物生成、现有药物优化及再利用,加速研发进程。尽管取得进展,可解释性不足、数据质量和伦理监管仍是待解难题。 [^1]: [论文链接](https://www.nature.com/articles/s42256-024-00843-5)
14 3
|
1月前
|
存储 人工智能 Kubernetes
[AI OpenAI] 保护前沿AI研究基础设施的安全
概述支持OpenAI前沿AI模型安全训练的架构。
[AI OpenAI] 保护前沿AI研究基础设施的安全
|
5天前
|
机器学习/深度学习 人工智能 Python
性能调优:提升AI模型准确率的策略
【7月更文第17天】在人工智能的世界里,打造一个预测精准、表现优异的模型就像是烹饪一道美味佳肴,不仅要选对食材(特征),还得掌握火候(超参数调整)和调味技巧(正则化)。今天,我们就来聊聊如何通过《性能调优:提升AI模型准确率的策略》,让我们的AI模型变得更加聪明伶俐。
15 0
|
28天前
|
机器学习/深度学习 人工智能 搜索推荐
AI技术在情感识别方面有哪些具体应用
AI在元宇宙学习中扮演关键角色,通过数据收集分析用户习惯、兴趣,提供个性化推荐。情感识别调整教学策略,智能评估反馈学习效果,实时互动解答问题,自适应学习系统匹配个体需求。同时,注重隐私安全保护,打造高效、精准、个性化的学习环境。
|
1月前
|
人工智能 安全 网络安全
简述AI漏洞修复研究现状及发展方向
鲁军磊先生的演讲聚焦AI在网络安全中的应用,特别是自动化漏洞修复。他讨论了大模型技术的最新进展,AI如何增强漏洞发现与修复,并介绍了AI智能体的三种协作模式。传统漏洞修复流程从手工审计到智能化挖掘逐步演进,而AI技术通过智能决策和自动化执行提高效率。未来趋势包括智能化防御、跨域协同、安全合规自动化、隐私保护强化和安全技能普及,以及可持续安全生态建设。AI正重塑网络安全领域,推动更高效、精准的防御策略。

热门文章

最新文章