面向增强交通标志识别的高精度二值神经网络局部鲁棒性基准测试
计算机视觉与模式识别
2023-10-06 v1 人工智能
机器学习
计算机科学中的逻辑
摘要
交通标志在自动驾驶系统的道路安全和交通管理中起着关键作用。准确的交通标志分类至关重要，但由于对抗样本和遮挡等现实复杂性而具有挑战性。为解决这些问题，二值神经网络（BNN）为构建适用于资源受限设备的分类器提供了前景。在我们之前的工作中，我们提出了用于交通标志识别的高精度BNN模型，侧重于在有限计算和能源资源下的紧凑尺寸。为评估其局部鲁棒性，本文引入了一组基准问题，其层对最先进的验证工具构成挑战。这些层包括二值化卷积、最大池化、批量归一化和全连接。验证问题的难度来自于大量的网络参数（905k–1.7M）、输入维度（2.7k–12k）和区域数量（43），以及神经网络非稀疏这一事实。所提出的BNN模型和局部鲁棒性属性可在 https://github.com/ChristopherBrix/vnncomp2023_benchmarks/tree/main/benchmarks/traffic_signs_recognition 查看。第4届国际神经网络验证竞赛（VNN-COMP'23）的结果显示，7个求解器中有4个能处理随机选取的多个基准（45个中最少6个，最多36个）。令人惊讶的是，工具还输出了错误结果或缺失反例（范围为1到4）。目前，我们的重点在于探索通过延长 allotted 时间（先前设为8分钟）来实现更多已求解实例的可能性。此外，我们对工具在某些基准上给出错误结果的原因感到好奇。
引用
@article{arxiv.2310.03033,
title = {Benchmarking Local Robustness of High-Accuracy Binary Neural Networks for Enhanced Traffic Sign Recognition},
author = {Andreea Postovan and Mădălina Eraşcu},
journal= {arXiv preprint arXiv:2310.03033},
year = {2023}
}
备注
In Proceedings FROM 2023, arXiv:2309.12959