基于原始激活图案和空间滤波的自动驾驶系统中3D目标检测完整性监控
计算机视觉与模式识别
2024-05-14 v1
摘要
深度神经网络（DNN）模型在自动驾驶系统（ADS）中广泛用于目标检测。然而，这些模型容易出错，可能对安全产生严重影响。旨在检测此类错误的自省和自评估模型对于ADS的安全部署至关重要。当前研究主要集中于监控ADS感知机制的完整性。然而，现有文献中的自省模型大致侧重于通过对输入数据帧的所有部分赋予相等重要性来检测感知错误。这种通用方法忽略了场景中不同对象在安全性方面的差异，从而掩盖了安全关键错误的识别，给针对特定关键实例感知可靠性评估带来了挑战。针对当前方法的这一不足，本文提出了一种新方法，集成了感知模块所使用的底层DNN的原始激活图案分析与空间滤波技术。该新方法通过在数据中 selectively 聚焦于感兴趣区域，从而提高了基于DNN的3D目标检测运行时自省的准确性，促进了ADS感知自评估过程的安全性和有效性。
引用
@article{arxiv.2405.07600,
title = {Integrity Monitoring of 3D Object Detection in Automated Driving Systems using Raw Activation Patterns and Spatial Filtering},
author = {Hakan Yekta Yatbaz and Mehrdad Dianati and Konstantinos Koufos and Roger Woodman},
journal= {arXiv preprint arXiv:2405.07600},
year = {2024}
}
备注
Submitted to ITSC 2024. arXiv admin note: text overlap with arXiv:2404.07685