Dec, 2023

卷积神经网络中分类误差估计的随机方法

PDF
TL;DR本技术报告在安全关键应用中，研究了用于图像分类的经过训练的卷积神经网络（CNN）的验证结果。通过使用 ANSI/UL 4600 和 ISO 21448 等新标准，结合现有标准 EN 50128 和 EN 50129，证明了类似 Grade of Automation (GoA) 4 的货运自动列车系统确实可以被认证。此外，通过传感器 / 感知器融合，进行了系统级危险率的定量分析，以满足可接受的安全完整性等级（SIL-3）。对 CNN 模型进行了数学分析，从中识别出分类集群和等价类，划分了 CNN 的图像输入空间。利用这些集群和类别，介绍了一种新的统计测试方法，用于确定经过训练的 CNN 的剩余误差概率及其相关的上限置信度。我们认为，考虑到 CNN 模型的内部结构，这种灰箱方法对于证明统计测试全面覆盖了训练过的 CNN 及其神经元和层间映射是至关重要的。
convolutional neural networkimage classificationsafety-critical applicationsobstacle detectioncnn verification
发现论文，激发创造
  • GoA 4 货运列车障碍物检测系统的概率风险评估

    本文针对 GoA 4 低速货运列车的障碍物检测功能设计，提出了一种定量风险评估方法，使用统计方法和参数随机模型检查的组合对概率进行评估，最终构建了以三个独立的双通道模块和一个选民为核心的 3oo3 模型，可以对误分类的剩余风险进行评估，验证实现了使用机器学习的安全性。

    Jun, 2023

  • 面向卷积神经网络的快速准确软错误仿真

    本文提出了一种基于误差模拟引擎的可靠性分析框架，通过利用从详细的故障注入活动中提取的一组经过验证的误差模型，定义卷积神经网络操作器输出的损坏模式，并在故障注入和错误模拟之间架起了一座桥梁，实现了结合两者优势的目的。实验结果表明，与 SASSIFI 相比，本文提出的方法在故障效应的函数错误模拟方面实现了约 99％的准确度，在与 TensorFI 的速度提升方面实现了 44x 至 63x 的范围。

    Jun, 2022

  • 使用卷积神经网络进行神经状况分类

    本研究使用卷积神经网络模型在非脑电数据集中成功区分四种神经状况，所得结果比传统方法如 SVM 和 RF 更优，在噪声较大的数据集上准确率仍可达到 97.46%。

    Apr, 2021

  • 卷积神经网络结构分析与优化

    本文提供了对现有技术的卷积神经网络分析和拓扑构建的全面概述，并描述和评估了一些层次分类器。此外，本文还开发了一种可视化分类错误的新方法，并在 CIFAR-100 上量化了一些结果，如在精度方面较小批量大小、平均集成、数据增强和测试时间转换等的积极影响。本文还开发了一个模型，它只有 100 万个学习参数，适用于 32x32x3 和 100 类输入，并在基准数据集 Asirra、GTSRB、HASYv2 和 STL-10 上击败了现有技术。

    Jul, 2017

  • CNN-Cert: 一种有效的卷积神经网络稳健性认证框架

    提出了一个可用于卷积神经网络的一般且高效的框架 CNN-Cert 以证明鲁棒性，它通过利用卷积层的特殊结构比现有算法快 17 倍到 11 倍，并且在获得相似或更好的证明上限和速度方面超越了最先进的算法。

    Nov, 2018

  • 通过贝叶斯优化和结构化预测提升深度卷积神经网络的物体检测

    本研究提出基于卷积神经网络的物体检测系统，使用基于贝叶斯优化的搜索算法和结构化 loss 进行物体定位，实验证明两种方法的结合优于先前的最先进方法。

    Apr, 2015

  • 卷积神经网络隐写分析在隐写术中的应用

    本文提出一种新方法，在最小化失真的标准下，提高图像隐写术的性能界限。该方法利用隐写分析卷积神经网络框架来理解图像的模型，并在不易被探测的区域进行嵌入以保留模型。实验结果表明，在广泛的低相对负载范围内，与 HUGO、S-UNIWARD 和 HILL 等最先进的隐写分析技术相比，所提出的算法表现优异。

    Nov, 2017

  • 循环传感器数据的深度卷积神经网络

    通过使用一个液压系统测试数据集，本研究聚焦于传感器基于的状态监测，并探索了使用深度学习技术的应用。我们比较了三种模型的性能：一个使用常规方法的基准模型，一个具有早期传感器融合的单一卷积神经网络模型，以及一个具有晚期传感器融合的双路卷积神经网络模型 (2L-CNN)。基准模型通过晚期传感器融合取得了令人印象深刻的 1% 测试误差率，其中对每个传感器进行了单独的特征提取。然而，由于传感器特征的多样性，卷积神经网络模型遇到了挑战，导致了 20.5% 的误差率。为了进一步调查这个问题，我们对每个传感器进行了单独的训练，并观察到了准确性的变化。此外，我们还评估了 2L-CNN 模型的性能，在考虑最不理想和最理想传感器的组合时，错误率降低了 33%。本研究强调了在传感器基于的状态监测中有效应对多传感器系统的复杂性的重要性。

    Aug, 2023

  • 多类实时碰撞风险预测：基于卷积神经网络的伊斯坦布尔案例研究

    该研究通过使用人工神经网络（ANN）来预测事故风险，在分析交通和天气数据后，选择相关特征作为输入数据，并使用卷积神经网络模型学习处理这些特征，最终表现出较其他模型更好的性能，建议将其作为多类别预测模型来实时预测事故风险。

    Feb, 2024

  • 基于卷积神经网络的目标检测概率模型

    本文提出了一种基于概率模型和强大搜索框架的卷积神经网络探测器，旨在解决区域信息浪费和效率与准确性之间的权衡问题，通过将图像映射为对象的概率分布，该模型以更少的计算量提供更丰富的输出，并在 FDDB 上进行了一系列实验证明了该模型的可靠性、效率和解析性。

    Aug, 2018