Deutsch
 
Hilfe Datenschutzhinweis Impressum
  DetailsucheBrowse

Datensatz

DATENSATZ AKTIONENEXPORT
Zur Ablage hinzufügen
  Lokale TagsFreigabegeschichteDetailsÜbersicht

Freigegeben
Konferenzbeitrag

Leveling Down in Computer Vision: Pareto Inefficiencies in Fair Deep Classifiers

MPG-Autoren
/persons/resource/persons249831

Zietlow,  Dominik
Max Planck Research Group Autonomous Learning, Max Planck Institute for Intelligent Systems, Max Planck Society;
External Organizations;

/persons/resource/persons84193

Schölkopf,  Bernhard       
Dept. Empirical Inference, Max Planck Institute for Intelligent Systems, Max Planck Society;
External Organizations;

Externe Ressourcen

https://doi.org/10.1109/CVPR52688.2022.01016
(Verlagsversion)

https://doi.org/10.48550/arXiv.2203.04913
(Preprint)

Volltexte (beschränkter Zugriff)
Für Ihren IP-Bereich sind aktuell keine Volltexte freigegeben.
Volltexte (frei zugänglich)
Es sind keine frei zugänglichen Volltexte in PuRe verfügbar
Ergänzendes Material (frei zugänglich)
Es sind keine frei zugänglichen Ergänzenden Materialien verfügbar
Zitation

Zietlow, D., Lohaus, M., Balakrishnan, G., Kleindessner, M., Locatello, F., Schölkopf, B., et al. (2023). Leveling Down in Computer Vision: Pareto Inefficiencies in Fair Deep Classifiers. In 2022 IEEE/CVF Conference on Computer Vision and Pattern Recognition (CVPR 2022) (pp. 10400-10411). Piscataway, NJ: IEEE. doi:10.1109/CVPR52688.2022.01016.


Zitierlink: https://hdl.handle.net/21.11116/0000-0010-3034-D
Zusammenfassung
Es ist keine Zusammenfassung verfügbar