超越固定阈值：面向自动驾驶的可解释多任务分类
计算机视觉与模式识别
2026-05-07 v1 机器人学
摘要
场景理解是自动驾驶系统的关键组成部分，需依赖深度学习模型。深度学习方法本身具有黑箱特性，在自动驾驶领域缺乏透明度与安全性。为提升系统可解释性，多任务视觉理解在可解释的自动驾驶感知系统中至关重要，同时预测多种驾驶行为及其背后解释，对安全导航和人类对自动驾驶车辆的信任至关重要。为设计准确且具有跨文化适应性的可解释自动驾驶系统，我们引入了全面的置信度阈值灵敏度分析，通过评估 various 阈值值识别不同任务的最优决策边界。我们的分析表明，传统的固定阈值方法在多任务场景下并非最优。通过大量实验，我们展示了自适应阈值选择方法论在不同任务上的F1分数均有所提升。此外，我们引入了IUST-XAI-AD数据集，包含958张人工标注的驾驶决策及其对应推理的图像，旨在填补领域特定评估基准在不同驾驶情境下的关键空白，提供比现有数据集更具挑战性的测试环境。实验结果表明，置信度阈值灵敏度分析显著提升模型性能，而IUST-XAI-AD数据集的引入揭示了跨文化驾驶行为模式的重要见识。本工作的综合贡献为加速开发更可靠、可解释且具跨文化适应性的全球部署自动驾驶系统提供了方法论进展和实用评估工具。
引用
@article{arxiv.2605.04299,
title = {Beyond Fixed Thresholds and Domain-Specific Benchmarks for Explainable Multi-Task Classification in Autonomous Vehicles},
author = {Maryam Sadat Hosseini Azad and Shahriar Baradaran Shokouhi},
journal= {arXiv preprint arXiv:2605.04299},
year = {2026}
}