Feb, 2024

自动驾驶中行人检测的安全适应损失

PDF
TL;DR本文提出了一种新颖的安全感知损失变化，利用训练过程中估计的每个行人的关键得分来提高关键行人检测性能，评估结果表明，使用我们的安全感知损失函数对关键行人进行训练可以减少漏检而不损害对非关键行人的检测性能。
automated drivingobject detectorsafety-criticalneural networkpedestrian detection
发现论文，激发创造
  • 三维物体检测神经网络系统的安全加固

    研究如何通过安全规范、特定的损失函数以及安全感知的非极大值约束算法，使得神经网络在单阶段处理 3D 目标检测时更加具有可靠性与安全性，通过对当前最先进的 PIXOR 检测器的扩展说明了这一概念。

    Mar, 2020

  • 基于流的安全关键行人检测可信度度量

    这篇论文通过引入一种名为 c-flow 的新颖可信度指标，利用图像序列的补充光流信号，提高对行人边界框的安全关键误检分析，从而帮助开发人员识别安全关键误检。

    Feb, 2024

  • 从安全和可靠性角度评价物体（误）检测的后果：讨论和措施

    本研究旨在通过建立物体关键性模型，提出新的物体检测评估措施来评估自动驾驶中物体检测的安全性和可靠性，并在 nuScenes 数据集上对九种物体检测器进行比较，结果表明，在多种情况下，根据 nuScenes 排名表现最好的物体检测器当重点关注安全性和可靠性时，并不是最好的选择。

    Mar, 2022

  • 面向行人检测的尺度感知快速 R-CNN

    本研究探讨了自然场景下的行人检测问题，提出了基于分治思想的 SAF R-CNN 框架来解决实例尺度的变化范围大导致的特征内类别方差大的问题，并在多个具有挑战性的行人检测数据集上实现了业界领先效果。

    Oct, 2015

  • 自动驾驶感知中的深度学习安全问题

    近期深度学习领域的进展以及深度神经网络对感知任务取得的出色表现，引发了在自动驾驶系统中使用它们的需求。为了系统地保证基于深度神经网络的自动驾驶系统的安全性，本文引入了一种称为安全关注的结构化元素，扩展和完善了其概念，并引入了额外的分类，以促进跨职能团队共同解决相关问题。

    Sep, 2023

  • 安全导航的物体关键性

    配置和部署能够成功提取对象相关性知识的对象检测器，并利用这些知识来改善轨迹规划任务。在给定物体检测器的情况下，基于对象的相关性和传统的置信度阈值进行过滤，可以减少错过相关对象的风险，降低危险轨迹的可能性，并总体上提高轨迹的质量。

    Apr, 2024

  • 具有模型不确定性估计的安全强化学习

    使用 MC-Dropout 和 Bootstrapping 方法来提高安全驾驶机器人的模型稳定性，实现在未知数据情况下的碰撞回避。

    Oct, 2018

  • 自动驾驶数据集上的离群样本检测性能评估

    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

  • 使用 IoGT 和距离度量方法提高自动驾驶中 3D 物体检测器的安全性

    通过结合 IoGT 指标和距离比率，该论文提出了一种直接的安全度量，特别适用于自动驾驶场景下的三维物体检测器，并将 IoGT 改进为常用精度导向的损失函数，实验证明使用该损失函数训练的目标检测器显著降低了不安全预测率，同时保持良好性能和稳定性。

    Sep, 2022

  • 基于显著敏感损失的稳健交通信号灯检测：计算框架和评估

    本文提出了一种交通信号灯检测模型，旨在找出对驾驶员未来决策有影响的信号灯，使用 Salience-Sensitive Focal loss 的 Deformable DETR 物体检测变换器模型进行训练，表现更好的召回率。

    May, 2023