Multimodal Machine Learning for Pedestrian Detection
Notice bibliographique
Résumé
Designing and developing autonomous vehicles that are capable of moving safely on roads by sensing the environment has motivated researchers to focus on pedestrian detection systems so they can detect people as fast and accurately as possible. However, for pedestrian detection, it is crucial to consider not only the pedestrians themselves but their color as well, because color has the advantage of being invariant to changes in scaling, rotation, and partial occlusion. Therefore, considering skin color detection for implementing pedestrian detection systems is an essential required step in ensuring autonomous vehicles are further incorporated into our society. Detecting human skin has proven to be a challenging problem because skin color can vary dramatically in its appearance due to many factors such as illumination, race, imaging conditions, and others. Recently it has been noted that pedestrian detection systems for autonomous vehicles perform poorly at detecting people with darker skin tones. Such findings indicate that there is a larger problem that is causing these issues: algorithmic bias. Algorithmic bias in pedestrian detection systems could be the leading factor of their poor performance due to the methods implemented and datasets used. Unfortunately, the algorithmic bias in this context has not been considered closely and it seems that many studies do not cover this aspect closely when discussing pedestrian detection systems for autonomous vehicles. To alleviate this, we attempt to explore different techniques that can be used to detect pedestrians while minimizing bias. In our experiment, we use both a YOLO v3 convolutional neural network and K-Means clustering for classifying skin-tones.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».