18、包容性图像竞赛：应对领域转移挑战的解决方案

包容性图像竞赛：应对领域转移挑战的解决方案

在图像分类的机器学习领域，领域转移一直是一个棘手的问题。当模型在一个数据集上训练后，应用于具有不同数据分布的数据集时，性能往往会大幅下降。地理领域转移就是其中一个典型的例子，不同地理位置拍摄的同一语义类别的物体在照片上可能看起来截然不同。本文将介绍一个在包容性图像竞赛中获胜的解决方案，该方案通过简单而有效的方法，在一定程度上缓解了领域转移问题。

1. 数据收集与处理

在竞赛的数据收集过程中，通过供应商操作收集的图像会优先考虑特定的标签。主要有两个重要因素影响标签的优先级：
- 包含与人物相关的标签，以提供一个以人为中心的数据集。
- 包含那些在地理标记的网络图像中，训练良好的图像分类器在不同位置表现出性能差异的标签。

在发布众包图像之前，会对其进行成人内容和隐私违规过滤，例如模糊人脸、可见的车牌和地址等。此外，在第一阶段发现时间戳有聚类现象后，第二阶段实施了时间戳去重，以去除连续拍摄的图像。同时，第二阶段还进行了标签调整，移除了第一阶段中具有常见标签的图像，以确保简单的“最常见类别”基线模型不会超过训练好的基线模型。为了干扰那些看到模糊就预测“人”的分类器，还在第二阶段的数据集中随机添加了一些非面部模糊处理。

由于隐私原因，在收集数据时没有将单个图像与地理位置关联起来，因此无法提供第一阶段和第二阶段数据的精确地理分布。第一阶段大约收集了32,000张图像，第二阶段大约收集了100,000张图像。众包用户可以请求删除他们的图像，并且发布机制会尊重这一请求，因此每个阶段的图像数量可能会随时间减少。在竞赛的最后一周暂停了删除操作。

2. 竞赛问题陈述

包容性图