检测驾驶员 drowsiness 检测算法中的交叉群体准确率差异

卷积神经网络（CNNs）已成功应用于包括数据挖掘、目标检测和商业在内的广泛领域。CNNs 的主导地位源于 Alex Krizhevsky 的一项突破，该工作通过将通用图像分类任务中的错误率从 26.2% 大幅降低到 15.4% 而展示了性能提升。在道路安全方面，CNNs 已被广泛用于交通标志检测、障碍物检测和车道偏离检查。此外，CNNs 还被用于监控驾驶模式并在适当时推荐休息的数据挖掘系统中。本文提出了一个驾驶员 drowsiness 检测系统，并通过揭示在检测深肤色驾驶员面部时存在的问题，表明这些技术的应用存在潜在的社会挑战。在非洲背景下这是一个尤其重要的挑战，因为那里深肤色驾驶员更多。不幸的是，公开可用的数据集往往是在不同文化背景下采集的，因此未能涵盖所有种族，这可能导致错误检测或带有种族偏见的模型。本工作评估了在常用驾驶员 drowsiness 检测数据集上训练卷积神经网络模型并在专门选择以更具代表性的人群上测试时所获得的性能。结果表明，使用公开可用数据集训练的模型存在严重的过拟合问题，并且如在一个更具代表性的数据集上测试所示，可能表现出种族偏见。我们提出了一种新颖的可视化技术，可通过使用主成分分析（PCA）生成按相似度排序的人脸网格，并将其与模型准确率叠加层结合，来辅助识别可能存在歧视风险的群体。