自动驾驶在线域外检测
通过使用 DNN 验证技术,我们引入了一种新的方法来识别具有稳健泛化能力的 DNN 决策规则,并在真实世界环境中进行了广泛评估,为部署 DNN 驱动系统提供了新的验证目标。
Jun, 2024
通过应用基于最可能的类条件高斯分布的 Mahalanobis 距离作为 OOD 分数来评估拒绝语义分割 DNN 的输出,该研究发现即使在未知数据集上应用,也可以显著降低分类风险,但会以像素覆盖率为代价。这些发现的适用性将有助于合法化安全措施并推动其在汽车感知中的安全使用的论证。
Jan, 2024
本文介绍了 DeepTest,一个系统的测试工具,可以自动侦测潜在的导致致命碰撞的深度学习驱动车辆的错误行为,通过生成最大化激活神经元数量的测试输入,并利用现实世界变化的驾驶条件(例如雨、雾、照明条件等)来自动生成测试用例,能够发现许多在 Udacity 自动驾驶汽车挑战赛中,三个表现最佳的深度学习神经网络车中,具有潜在致命意外的错误行为。
Aug, 2017
本文概述了深度神经网络在自动驾驶中的应用,介绍了无监督领域自适应的多种方法和针对不同方法的现有研究,提出了该领域的最新趋势和未来方向,并鼓励科学家探索更好的神经网络泛化方法。
Apr, 2023
本文分析了三种 in - 和 out-of-distribution 数据的分离方法及其性能,包括超级监督的应用及其训练过程中的性能评估,研究表明理解训练结果与监督性能与提高模型强健性密切相关,为安全应用提供了论据,并应用于两个额外的数据集。
Apr, 2022
本文通过在不同的数据集上使用深度学习的方法,实现了以城市街道场景为基础的图像识别模型对于不同场景下的物体进行准确分类和目标检测,并且通过对于特征向量的提取和降维,成功实现了基于图像碎片的图像检索和分割。
May, 2020
本研究利用预训练的 transformers 的潜在特征表示来提出了一种简单而有效的方法,用于通过无监督的领域内数据检测领域外样本,并进一步提出了两种领域特定的微调方法来提高检测准确性。在两个数据集上的实验结果验证了该方法大大提高了更一般情景下的领域外检测能力。
Jun, 2021
本文回顾了关于深度神经网络在安全关键系统中验证和验证方面的现有技术,并建议飞行器到汽车的知识转移和系统级的安全方法,例如安全笼架架构和模拟的系统测试案例。
Dec, 2018
我们研究了在自动驾驶背景下使用异常检测模块训练图像语义分割模型的不同策略,通过对最先进的 DenseHybrid 模型的训练阶段进行修改,我们实现了显著的异常检测性能提升。此外,我们提出的简化检测器不仅实现了与改进的 DenseHybrid 方法相当的结果,而且超过了原始 DenseHybrid 模型的性能。这些发现证明了我们提出的策略在自动驾驶背景下提升异常检测的有效性。
Aug, 2023