Regional biases in image geolocation estimation: a case study with the SenseCity Africa dataset

人工智能的发展受到训练模型数据集中根深蒂固的偏见的挑战。在图像地理定位估计中，模型主要使用来自特定地理区域（尤其是西方世界）的数据进行训练，因此它们可能难以理解代表性不足的地区的复杂性。为了评估这个问题，研究人员将最先进的图像地理定位估计模型（ISNs）应用于来自非洲大陆的众包地理定位图像数据集（SCA100），并探索模型预测背后的区域和经济偏见。研究结果表明，ISNs模型倾向于过度预测西方富裕国家的图像位置，这与其训练数据集IM2GPS3k的地理分布一致。因此，与IM2GPS3k基准相比，ISNs模型的准确性在所有尺度上明显降低。此外，研究人员根据ISNs模型的预测准确性对SCA100数据集中的图像进行聚类，并展示了该模型在正确预测低收入地区（特别是撒哈拉以南非洲）的图像位置方面的困难。因此，研究结果表明，将IM2GPS3k作为图像地理定位估计和其他计算机视觉模型的训练集和基准忽视了其在非洲背景下的潜在应用。

论文旨在解决人工智能模型在图像地理定位估计中的偏见问题，即由于训练数据集的地理分布偏向于西方国家，导致模型难以理解非西方国家地区的复杂性。

通过将最先进的图像地理定位估计模型（ISNs）应用于非洲大陆的众包数据集（SCA100），并探索模型预测背后的区域和社会经济偏见，论文发现ISNs模型倾向于过度预测西方高收入国家的图像位置，因为其训练数据集（IM2GPS3k）的地理分布与此一致。此外，论文还展示了ISNs模型在低收入地区，特别是撒哈拉以南非洲地区，正确预测图像位置的困难之处。

论文使用了非洲大陆的众包数据集（SCA100），并将最先进的图像地理定位估计模型（ISNs）应用于该数据集，发现该模型在低收入地区的表现较差。此外，论文还发现IM2GPS3k数据集的地理分布偏向于西方国家，因此该数据集可能不适用于非洲地区的图像地理定位估计模型的训练。

最近在这个领域中，还有一些相关研究，如《Geolocation Prediction in Social Media using Kernel Density Estimation》和《Geolocation Prediction in Twitter using a Multitask Architecture》。