arXiv 2409.061872024-09-10cs.CVcs.LG

用于学习无偏消费者对消费者图像表示的基于瓶颈的编码器-解码器架构（BEAR）

Bottleneck-based Encoder-decoder ARchitecture (BEAR) for Learning Unbiased Consumer-to-Consumer Image Representations

Baylor University（贝勒大学）；California State University, San Bernardino（加州州立大学圣贝纳迪诺分校）；University of North Texas（北得克萨斯大学）；Wake Forest University（维克森林大学）

Pablo Rivas, Gisela Bichler, Tomas Cerny, Laurie Giddens, Stacie Petter

备注：: 2022 LXAI Workshop at the 39th International Conference on Machine Learning (ICML), Baltimore, Maryland

阅读 PDF

arXiv 页面 ↗HTML 原文 ↗

AI总结：

本文提出BEAR编码器-解码器架构，通过多种图像特征提取机制与残差连接学习无偏C2C图像表示，初步实验表明其可在多个图像数据集上学习丰富特征空间。

摘要：

无偏表示学习在特定应用和情境下仍是研究对象。新颖架构通常通过组合基本构件来解决特定问题。本文提出了多种图像特征提取机制，这些机制与残差连接协同工作，以自编码器配置对感知图像信息进行编码。我们使用的图像数据旨在支持一项更大的研究议程，该议程涉及消费者对消费者在线平台中的犯罪活动问题。初步结果表明，所提出的架构能够利用我们的数据集及其他图像数据集学习丰富的空间，从而解决已识别的重要挑战。

英文摘要：

Unbiased representation learning is still an object of study under specific applications and contexts. Novel architectures are usually crafted to resolve particular problems using mixtures of fundamental pieces. This paper presents different image feature extraction mechanisms that work together with residual connections to encode perceptual image information in an autoencoder configuration. We use image data that aims to support a larger research agenda dealing with issues regarding criminal activity in consumer-to-consumer online platforms. Preliminary results suggest that the proposed architecture can learn rich spaces using ours and other image datasets resolving important challenges that are identified.

机构、总结、中文摘要均由AI分析而来，可能存在错误，请以论文正文为准。