自动驾驶中的公平性：理解恶劣天气下目标检测中的混杂因素
计算机视觉与模式识别
2024-06-04 v1
摘要
自动驾驶汽车的部署正在迅速扩展到众多城市。在自动驾驶汽车的核心，目标检测模块扮演着至关重要的角色，它通过考虑附近行人、车辆等的存在，直接影响所有下游决策任务。尽管在留存数据集上行人检测的准确率很高，但此类目标检测器中可能存在的算法偏差，尤其是在恶劣天气条件下，仍不清楚。本研究对最先进的基于Transformer的目标检测器在行人检测中的公平性进行了全面的实证分析。除了经典指标外，我们引入了新颖的基于概率的指标来衡量目标检测的各种复杂特性。利用最先进的FACET数据集和Carla高保真车辆模拟器，我们的分析探讨了性别、肤色和体型等受保护属性在环境黑暗和雾等变化环境条件下对目标检测性能的影响。我们的定量分析揭示了先前被忽视但直观的因素，如场景中人口统计群体的分布、天气的严重程度、行人与自动驾驶汽车的距离等，如何影响目标检测性能。我们的代码可在 https://github.com/bimsarapathiraja/fair-AV 获取。
引用
@article{arxiv.2406.00219,
title = {Fairness in Autonomous Driving: Towards Understanding Confounding Factors in Object Detection under Challenging Weather},
author = {Bimsara Pathiraja and Caleb Liu and Ransalu Senanayake},
journal= {arXiv preprint arXiv:2406.00219},
year = {2024}
}
备注
14 pages