論文の概要: Bias Behind the Wheel: Fairness Testing of Autonomous Driving Systems

• arxiv url: http://arxiv.org/abs/2308.02935v4
• Date: Thu, 17 Oct 2024 09:53:57 GMT
• ステータス: 翻訳完了
• システム内更新日: 2024-10-18 13:17:42.587982
• Title: Bias Behind the Wheel: Fairness Testing of Autonomous Driving Systems
• Title（参考訳）: Bias Behind the Wheel: 自動運転システムのフェアネステスト
• Authors: Xinyue Li, Zhenpeng Chen, Jie M. Zhang, Federica Sarro, Ying Zhang, Xuanzhe Liu,
• Abstract要約: 本稿では,自律走行システムにおける重要な課題である自動歩行者検出の公平性試験を行う。 我々は,大規模な実世界のデータセットを用いて,人口集団間で最先端のディープラーニングに基づく歩行者検出器を8つ評価した。 以上の結果より, 未発見児の割合は, 成人より20.14%高かった。
• 参考スコア（独自算出の注目度）: 23.52650741122875
• License:
• Abstract: This paper conducts fairness testing of automated pedestrian detection, a crucial but under-explored issue in autonomous driving systems. We evaluate eight state-of-the-art deep learning-based pedestrian detectors across demographic groups on large-scale real-world datasets. To enable thorough fairness testing, 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, particularly related to age. The proportion of undetected children is 20.14% higher compared to adults. Furthermore, we explore how various driving scenarios affect the fairness of pedestrian detectors. We find that pedestrian detectors demonstrate significant gender biases during night time, potentially exacerbating the prevalent societal issue of female safety concerns during nighttime out. Moreover, we observe that pedestrian detectors can demonstrate both enhanced fairness and superior performance under specific driving conditions, which challenges the fairness-performance trade-off theory widely acknowledged in the fairness literature. We publicly release the code, data, and results to support future research on fairness in autonomous driving.
• Abstract（参考訳）: 本稿では,自律走行システムにおける重要な課題である自動歩行者検出の公平性試験を行う。 我々は,大規模な実世界のデータセットを用いて,人口集団間で最先端のディープラーニングに基づく歩行者検出器を8つ評価した。 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,特に年齢に有意な公平性障害がみられた。 未発見の子供の比率は大人より20.14%高い。 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。 歩行者検出器は、夜間に有意な性別バイアスを示し、夜間外出時に女性の安全に関する社会的問題を悪化させる可能性がある。 さらに, 歩行者検出装置は, 特定運転条件下での公正性向上と優れた性能の両立を図り, フェアネス文献で広く認められているフェアネス・パフォーマンストレードオフ理論に挑戦する。 我々は、自動運転の公正性に関する将来の研究を支援するために、コード、データ、結果を公開します。

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。