論文の概要: Unveiling the Blind Spots: A Critical Examination of Fairness in Autonomous Driving Systems

• arxiv url: http://arxiv.org/abs/2308.02935v2
• Date: Mon, 25 Mar 2024 11:45:58 GMT
• ステータス: 処理完了
• システム内更新日: 2024-03-27 03:28:06.393240
• Title: Unveiling the Blind Spots: A Critical Examination of Fairness in Autonomous Driving Systems
• Title（参考訳）: 盲点の解き方:自律運転システムにおける公正性の批判的検証
• Authors: Xinyue Li, Zhenpeng Chen, Jie M. Zhang, Federica Sarro, Ying Zhang, Xuanzhe Liu,
• Abstract要約: 人口集団間で広く研究されている8つのディープラーニングに基づく歩行者検出器の公平性を評価する。 以上の結果から, 年齢にかかわる有意な公平性が示唆された。 このバイアスは、低明度と低コントラストに対して、子供や女性にとってさらに悪化する可能性がある。
• 参考スコア（独自算出の注目度）: 23.52650741122875
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Autonomous driving systems have extended the spectrum of Web of Things for intelligent vehicles and have become an important component of the Web ecosystem. Similar to traditional Web-based applications, fairness is an essential aspect for ensuring the high quality of autonomous driving systems, particularly in the context of pedestrian detectors within them. However, there is an absence in the literature of a comprehensive assessment of the fairness of current Deep Learning (DL)-based pedestrian detectors. To fill the gap, we evaluate eight widely-explored DL-based pedestrian detectors across demographic groups on large-scale real-world datasets. To enable a thorough fairness evaluation, we provide extensive annotations for the datasets, resulting in 8,311 images with 16,070 gender labels, 20,115 age labels, and 3,513 skin tone labels. Our findings reveal significant fairness issues related to age. The undetected proportions for adults are 20.14% lower compared to children. Furthermore, we explore how various driving scenarios affect the fairness of pedestrian detectors. We find that the bias may exacerbate for children and females towards low brightness and low contrast.
• Abstract（参考訳）: 自律運転システムは、インテリジェントな車両のためのWeb of Thingsのスペクトルを拡張し、Webエコシステムの重要なコンポーネントとなった。 従来のWebベースのアプリケーションと同様に、公正性は、特に歩行者検知器の状況において、自律運転システムの高品質を保証するために不可欠な側面である。 しかし、現在のDeep Learning(DL)に基づく歩行者検知器の公平性に関する総合的な評価の文献は欠落している。 このギャップを埋めるために、大規模な実世界のデータセット上で、人口集団間で広く調査されているDLに基づく8つの歩行者検出器を評価した。 その結果、16,070の性別ラベル、20,115の年齢ラベル、3,513の肌色ラベルを持つ8,311の画像が得られた。 以上の結果から, 年齢にかかわる有意な公平性が示唆された。 未発見の成人の比率は、子供に比べて20.14%低い。 さらに,歩行者検知器の公平性に様々な運転シナリオがどう影響するかを考察する。 このバイアスは、低明度と低コントラストに対して、子供や女性にとってさらに悪化する可能性がある。

関連論文リスト

• What Hides behind Unfairness? Exploring Dynamics Fairness in Reinforcement Learning [52.51430732904994]
  強化学習問題では、エージェントはリターンを最大化しながら長期的な公正性を考慮する必要がある。 近年の研究では様々なフェアネスの概念が提案されているが、RL問題における不公平性がどのように生じるかは定かではない。 我々は、環境力学から生じる不平等を明示的に捉える、ダイナミックスフェアネスという新しい概念を導入する。
  論文  参考訳（メタデータ） (2024-04-16T22:47:59Z)
• Predicting and Analyzing Pedestrian Crossing Behavior at Unsignalized Crossings [3.373568134827475]
  非ゼブラシナリオにおけるギャップ選択と、ゼブラシナリオにおけるゼブラ交差使用量を予測する機械学習モデルの提案と評価を行った。 歩行者の行動が、歩行者待ち時間、歩行速度、未使用ギャップの数、最大の欠落ギャップ、その他の歩行者の影響など、様々な要因にどのように影響するかを論じる。
  論文  参考訳（メタデータ） (2024-04-15T08:36:40Z)
• Pedestrian Detection in Low-Light Conditions: A Comprehensive Survey [2.961140343595394]
  歩行者検出は、コンピュータビジョン、監視、自動運転など、様々な領域において重要な問題である。 本研究の目的は,低照度環境を対象とする歩行者検出手法,ベースライン,データセットを包括的に調査することである。
  論文  参考訳（メタデータ） (2024-01-15T16:13:17Z)
• Fair Spatial Indexing: A paradigm for Group Spatial Fairness [6.640563753223598]
  機械学習における位置バイアスを軽減する手法を提案する。 本研究では,空間群フェアネスに着目し,空間群フェアネスを考慮に入れた空間インデックス化アルゴリズムを提案する。
  論文  参考訳（メタデータ） (2023-02-05T05:15:11Z)
• CODA: A Real-World Road Corner Case Dataset for Object Detection in Autonomous Driving [117.87070488537334]
  我々は、ビジョンベース検出器のこの重要な問題を露呈する、CODAという挑戦的なデータセットを導入する。 大規模自動運転データセットで訓練された標準物体検出器の性能は、mARの12.8%以下に著しく低下した。 我々は最先端のオープンワールドオブジェクト検出器を実験し、CODAの新しいオブジェクトを確実に識別できないことを発見した。
  論文  参考訳（メタデータ） (2022-03-15T08:32:56Z)
• Pedestrian Detection: Domain Generalization, CNNs, Transformers and Beyond [82.37430109152383]
  その結果、現在の歩行者検知器は、クロスデータセット評価において、たとえ小さな領域シフトであっても処理が不十分であることがわかった。 限定的な一般化は、その方法と現在のデータ源の2つの主要な要因に帰着する。 本稿では、一般化を改善する進歩的な微調整戦略を提案する。
  論文  参考訳（メタデータ） (2022-01-10T06:00:26Z)
• Diverse Complexity Measures for Dataset Curation in Self-driving [80.55417232642124]
  トラフィックシーンの面白さを定量化する多様な基準を活用した新たなデータ選択手法を提案する。 実験の結果,提案するキュレーションパイプラインは,より汎用的で高いパフォーマンスをもたらすデータセットを選択できることが判明した。
  論文  参考訳（メタデータ） (2021-01-16T23:45:02Z)
• Detecting 32 Pedestrian Attributes for Autonomous Vehicles [103.87351701138554]
  本稿では、歩行者を共同で検出し、32の歩行者属性を認識するという課題に対処する。 本稿では,複合フィールドフレームワークを用いたマルチタスク学習(MTL)モデルを提案する。 競合検出と属性認識の結果と,より安定したMTLトレーニングを示す。
  論文  参考訳（メタデータ） (2020-12-04T15:10:12Z)
• Universal Embeddings for Spatio-Temporal Tagging of Self-Driving Logs [72.67604044776662]
  我々は、生のセンサデータから、自動運転シーンの時間的タグ付けの問題に取り組む。 提案手法では,全てのタグに対する普遍的な埋め込みを学習し,多くの属性を効率的にタグ付けし,限られたデータで新しい属性を高速に学習する。
  論文  参考訳（メタデータ） (2020-11-12T02:18:16Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。