“The abstract is unfortunately also very light on detail.”
Predictive Inequity in Object Detection
检测系统对深肤色行人的识别表现更差,并非场景更难所致
论文给大规模行人数据集 BDD100K 按 Fitzpatrick 皮肤色阶(1–3 与 4–6)做标注,比较目标检测系统在两组行人上的表现,发现差距不能用时段或遮挡来解释。作者进一步检验了时段、遮挡以及训练时对监督损失重新加权对这种偏差的影响。
HN 上的人把它当作“检测器对深肤色行人表现更差”的出处引用,也有人指出摘要信息少、研究存在不少局限。
学习路径
读这篇之前,按顺序读书架上的 4 篇 · 参考文献来自 OpenAlex,顺序和要点由 Claude Code 排出这条路径先了解算法公平性的基本概念与权衡,再看目标检测器的代表模型,最后读目标论文如何按肤色检验行人检测的表现。
- 1
经典的算法偏见案例研究,说明风险评分中不同群体错误率不同的问题。
读差别影响(disparate impact)与各群体误差率的比较方式。
- 2
证明多种公平性条件无法同时满足,帮助理解为什么要选定具体的公平性度量。
读三个公平性条件及其不可兼得的结论;证明细节可略过。
- 3
机会均等准则定义了按群体比较真正例率等指标的方式,与目标论文按肤色比较召回的思路一致。
读equalized odds 与 equal opportunity 的定义,以及事后调整的思路。
- 4
目标论文评估的是此类目标检测系统,Faster R-CNN 是其中最典型的两阶段检测器。
读区域建议网络与检测头共享特征的结构;只需了解检测输出如何评估。
- 5Predictive Inequity in Object Detection
目标论文:在 BDD100K 上标注 Fitzpatrick 肤色,比较检测系统在不同肤色行人上的表现。
读标注方法、按肤色分组的召回对比,以及时间与遮挡等因素为何不能解释差距。
HN 书评
推荐在前,同类按时间 · 每篇最多保留 20 条,统计用全部提及“I'm not denying the conclusion of the paper, but it does have a lot of limitations.”
“The paper is good a reminder of the importance of fine-tuning any pedestrian detection system to fix imbalances in your dataset, and avoid false negatives.”
“For example, this 2019 paper:”
- Predictive Inequity in Object Detection ↗js2 · 2019-03-13 · 1 分