要約
自律走行タスクにおける物体検出（OD）に用いられる一般的なコンピュータビジョン（CV）データセットの中には、天候や照明条件などの様々な要因によるバイアスが見られるものがある。これらのバイアスはモデルの汎化性を損ない、新規かつ未知のデータセットにおけるODに有効でなくなる可能性がある。特に、自律走行においては、車両とその周囲にとって極めてリスクが高く、安全でないことが判明する可能性がある。本研究では、このような「好天時バイアス」を特定することで、これらのデータセットをより良く理解することに焦点を当てる。また、このようなバイアスを緩和することで、ODモデルの性能を向上させ、ロバスト性を改善する手法も示している。バイアスの緩和を研究するためのシンプルで効果的なODフレームワークを提案する。このフレームワークを用いて、一般的なデータセットにおける性能を分析し、モデル性能に有意な差があることを確認した。さらに、特定されたバイアスを緩和するために、知識移転手法と合成画像破損手法が提案される。最後に、DAWNデータセットを用いて、ODタスクで知見を検証し、現実世界の「好天時」バイアスを緩和する我々の技術の有効性を示す。実験の結果、提案手法はベースライン手法を平均4倍上回る性能を持つことがわかった。
要約(オリジナル)
Several popular computer vision (CV) datasets, specifically employed for Object Detection (OD) in autonomous driving tasks exhibit biases due to a range of factors including weather and lighting conditions. These biases may impair a model’s generalizability, rendering it ineffective for OD in novel and unseen datasets. Especially, in autonomous driving, it may prove extremely high risk and unsafe for the vehicle and its surroundings. This work focuses on understanding these datasets better by identifying such ‘good-weather’ bias. Methods to mitigate such bias which allows the OD models to perform better and improve the robustness are also demonstrated. A simple yet effective OD framework for studying bias mitigation is proposed. Using this framework, the performance on popular datasets is analyzed and a significant difference in model performance is observed. Additionally, a knowledge transfer technique and a synthetic image corruption technique are proposed to mitigate the identified bias. Finally, using the DAWN dataset, the findings are validated on the OD task, demonstrating the effectiveness of our techniques in mitigating real-world ‘good-weather’ bias. The experiments show that the proposed techniques outperform baseline methods by averaged fourfold improvement.
arxiv情報
| 著者 | Aboli Marathe,Rahee Walambe,Ketan Kotecha |
| 発行日 | 2023-01-04 14:36:08+00:00 |
| arxivサイト | arxiv_id(pdf) |