超越整体准确率：自动驾驶行人检测中基于姿态与遮挡的公平性分析
摘要
行人检测在自动驾驶（AD）中扮演着关键角色，确保安全性与可靠性至关重要。尽管许多检测模型旨在降低漏检率并应对遮挡和远距离识别等挑战，公平性仍是一个探索不足但同样重要的问题。本文系统研究了行人姿态变化——包括腿部状态、肘部状态和身体朝向——以及个体关节遮挡如何影响检测性能。我们在 EuroCity Persons Dense Pose (ECP-DP) 数据集上评估了五个行人专用检测器（F2DNet、MGAN、ALFNet、CSP 和 Cascade R-CNN）以及三个通用模型（YOLOv12 变体）。公平性通过不同置信度阈值下的机会均等差异（EOD）指标进行量化。为评估统计显著性和稳健性，我们采用了 Z 检验。研究结果揭示了模型对双腿平行、肘部伸直和侧视姿态的行人存在偏见。与上半身和头部相比，下半身关节遮挡对检测率的负面影响更大。Cascade R-CNN 实现了最低的整体漏检率，并在所有属性上表现出最小的偏差。据我们所知，这是首次在自动驾驶行人检测中进行的全面的姿态与遮挡感知公平性评估。
引用
@article{arxiv.2509.26166,
title = {Beyond Overall Accuracy: Pose- and Occlusion-driven Fairness Analysis in Pedestrian Detection for Autonomous Driving},
author = {Mohammad Khoshkdahan and Arman Akbari and Arash Akbari and Xuan Zhang},
journal= {arXiv preprint arXiv:2509.26166},
year = {2025}
}
备注
\c{opyright} 2025 IEEE. Personal use of this material is permitted. Permission from IEEE must be obtained for all other uses, in any current or future media, including reprinting/republishing this material for advertising or promotional purposes, creating new collective works, for resale or redistribution to servers or lists, or reuse of any copyrighted component of this work in other works