基于多目标搜索的关键点检测深度神经网络自动测试套件生成（经验论文）

自动检测图像中关键点（如面部关键点或手指关键点）的位置是许多应用中的基本问题，例如自动驾驶系统中的驾驶员视线检测与 drowsiness 检测。随着深度神经网络（DNNs）的近期进展，关键点检测 DNNs（KP-DNNs）已越来越多地用于此目的。然而，KP-DNN 的测试与验证仍是一个具有挑战性的问题，因为 KP-DNNs 同时预测许多独立的关键点——其中每一个单独的关键点在目标应用中都可能是关键的——并且图像会因诸多因素而产生巨大差异。在本文中，我们提出一种利用多目标搜索自动生成 KP-DNNs 测试数据的方法。在我们的实验中，聚焦于为工业汽车应用开发的面部关键点检测 DNNs，我们表明该方法能够生成测试套件，平均严重误预测超过 93% 的所有关键点。相比之下，基于随机搜索的测试数据生成仅能严重误预测其中 41% 的关键点。然而，许多此类误预测是不可避免的，因此不应被视为失败。我们还对专为测试套件生成定制的最先进多目标搜索算法及其变体进行了实证比较。此外，我们研究并展示了如何基于图像特征（如头部姿态与肤色）学习导致严重误预测的特定条件。此类条件可作为风险分析或 DNN 重训练的基础。