基于新颖性的红绿灯检测泛化能力评估
计算机视觉与模式识别
2022-02-04 v1 机器学习
摘要
卷积神经网络（CNNs）的出现使其得以应用于多个领域。一个值得注意的应用是依赖 CNN 预测的自驾感知系统。从业者通过在独立测试集上计算各类指标来评估此类 CNN 的泛化能力。测试集常仅依据一个前提选取，即其元素不属于训练数据。这样的数据集可能包含相对于训练集既相似又新颖的目标。然而，现有工作未考量测试样本的新颖性，并在评估泛化时一视同仁。此类基于新颖性的评估对验证 CNN 在自驾应用中的适用性具有重要意义。故此，我们提出一种考虑测试集中目标新颖性的 CNN 泛化评分框架。我们首先采用表示学习技术将图像数据降维至低维空间，并在此空间上估计测试样本的新颖性。最终，我们将泛化分数计算为测试数据预测性能与新颖性的组合。我们针对红绿灯检测应用进行了实验研究，并系统性可视化结果以获得可解释的新颖性概念。
引用
@article{arxiv.2201.00531,
title = {Novelty-based Generalization Evaluation for Traffic Light Detection},
author = {Arvind Kumar Shekar and Laureen Lake and Liang Gou and Liu Ren},
journal= {arXiv preprint arXiv:2201.00531},
year = {2022}
}
备注
Accepted/Presented at ICMLA 2021