Latin American Pedestrians in The Wild: A Study on Pedestrian Detection
Detecção de Pedestres; Viés geográfico; Sistemas de assistência à direção autônoma.
Recentes avanços em veículos autônomos têm sido trazidos, em grande parte, pela IA.
Enquanto estes sistemas são fundamentais para garantir a segurança humana, são profun-
damente afetados pela distribuição de dados, que pode não ser representativa de todos os
contextos em que o sistema pode ser utilizado. Isto leva a vieses relacionados a gênero, tom de pele e idade, trazendo preocupações acerca da performance destes modelos fora dos maiores locais de coleta de dados, como a Europa e a América do Norte, onde os dados do mundo real podem não estar plenamente representados. Neste trabalho, introduzimos LAPiW, Latin Pedestrians in the Wild, e o analisamos junto aos datasets BDD-100K e CityPersons, em 5 modelos de detecção de objetos, para verificar e comparar sua performance em contextos latino-americanos. Também mostramos a importância da partição de dados para reduzir viés e aproximar as distribuições de dados entre conjuntos de dados. Encontramos que LLMDet e RT-DETR apresentam os melhores resultados e, apesar de não confirmar nenhum viés geográfico mensurável, mostramos que fatores distribucionais nos dados, como a distância ao pedestre e as condições de luz, influenciam consideravelmente o desempenho dos modelos e que validações entre datasets precisam destas avaliações de equivalência distribucional para analisar de forma mais acurada sistemas e remover quaisquer fatores ambíguos antes de avaliações de viés.