使用 PHASE 注释评估视觉和语言任务中的社会偏见

本文介绍了如何利用 PHASE 注释来评估视觉和语言任务中的社会偏见。我们关注三个主要任务：图像字幕、文本-图像嵌入和文本到图像生成。

PHASE 中的注释与图像区域相关联。然而，我们分析的三个任务需要图像级别的信息。为了解决这个问题，我们将区域级注释转换为图像级注释。

为此，我们只使用所有区域级注释属于同一类的图像。例如，如果一张图片中所有关于性别的区域级注释都是'女性'，那么这张图片就被标记为'女性'。包含特定属性的不同类别注释的图像将不被使用。

需要注意的是，这种方法并非唯一的方法，可以根据具体的评估类型采用其他方法。

此外，为了解决注释数量较少的问题，我们将'婴儿'和'儿童'合并为一个类别：'婴儿和儿童'。