分析与缓解弱势类别的偏差：迈向数据集中的均衡表示
计算机视觉与模式识别
2025-05-22 v2
摘要
自动驾驶中感知系统的准确性与公平性至关重要，特别是对于在城市驾驶环境中面临重大风险的弱势道路使用者，如骑行者、行人和摩托车驾驶员。尽管主流研究主要提升类别性能指标，但AI模型中偏差继承的隐蔽特征、数据集中的类别不平衡与差异却常被忽视。我们的研究通过调查弱势道路使用者之间的类别不平衡来解决这些问题，重点关注分析类别分布、评估性能以及评估偏差影响。利用流行的CNN模型和Vision Transformers（ViTs）结合nuScenes数据集，我们的性能评估表明代表性不足的类别存在检测差异。与相关工作相比，我们侧重于针对模型优化和偏差缓解的特定指标与代价敏感学习，包括数据增强和重采样。使用所提出的缓解方法，我们看到CNN模型的IoU(%)和NDS(%)指标从71.3提升至75.6、从80.6提升至83.7。类似地，对于ViT，我们观察到IoU和NDS指标从74.9提升至79.2、从83.8提升至87.1。本研究有助于开发可靠的模型，同时增强数据集中少数类别的包容性。
引用
@article{arxiv.2401.10397,
title = {Analyzing and Mitigating Bias for Vulnerable Classes: Towards Balanced Representation in Dataset},
author = {Dewant Katare and David Solans Noguero and Souneil Park and Nicolas Kourtellis and Marijn Janssen and Aaron Yi Ding},
journal= {arXiv preprint arXiv:2401.10397},
year = {2025}
}