面向新颖运行域中安全关键任务的网络泛化预测
计算机视觉与模式识别
2021-08-18 v1
摘要
众所周知，当神经网络（网络）被用于与其训练和测试域不同的新颖运行域时，其性能往往会退化。这是一个主要局限，因为网络正被集成到必须在无约束环境中工作（例如自动驾驶车辆的感知）的安全关键信息物理系统中。训练能泛化到新颖运行域并提取鲁棒特征的网络是一个活跃的研究领域，但先前工作未能预测网络在新颖运行域中的性能将会如何。我们提出了网络泛化预测任务：预测网络在新颖运行域中的期望性能。我们用可解释的上下文子空间描述网络性能，并提出了一种选择上下文子空间特征的方法，这些特征能提供关于网络性能的最多信息。我们确定了在 Berkeley Deep Drive（BDD）数据集上执行行人检测的预训练 Faster RCNN 网络的上下文子空间，并证明网络泛化预测精度在观测性能的5%或更小范围内。我们还证明来自 BDD 数据集的上下文子空间对完全未见过的数据集 JAAD 和 Cityscapes 也具有信息性，其预测偏差在10%或更小。
引用
@article{arxiv.2108.07399,
title = {Network Generalization Prediction for Safety Critical Tasks in Novel Operating Domains},
author = {Molly O'Brien and Mike Medoff and Julia Bukowski and Greg Hager},
journal= {arXiv preprint arXiv:2108.07399},
year = {2021}
}