自动驾驶数据集上分布外检测性能的评估
机器学习
2024-01-31 v1 计算机视觉与模式识别
摘要
需要系统性地研究安全措施在多大程度上评估了深度神经网络在关键应用中的预期性能。由于高维DNN缺乏验证方法，需要在可接受的性能与处理分布外样本之间进行权衡。本文评估了通过应用基于预测类的最可能类条件高斯分布的马氏距离作为OOD分数来拒绝语义分割DNN输出的方法。评估使用在Cityscapes数据集上训练的三个DNN，并在四个汽车数据集上进行测试，发现即使应用于未见过的数据集，分类风险也可以以像素覆盖率为代价大幅降低。我们研究结果的适用性将有助于证明安全措施的合理性，并在论证DNN在汽车感知中安全使用时激励其使用。
引用
@article{arxiv.2401.17013,
title = {Evaluation of Out-of-Distribution Detection Performance on Autonomous Driving Datasets},
author = {Jens Henriksson and Christian Berger and Stig Ursing and Markus Borg},
journal= {arXiv preprint arXiv:2401.17013},
year = {2024}
}
备注
Preprint to 2023 IEEE International Conference On Artificial Intelligence Testing