基于深度学习与集成方法结合的开集识别用于检测未知交通场景
计算机视觉与模式识别
2021-05-18 v1
摘要
对驾驶场景的理解与分类对于自动驾驶功能的测试与开发十分重要。机器学习模型可用于场景分类，但多数模型假设测试时接收到的数据来自训练所用类别之一。由于车辆运行于开放环境，该假设并非总成立。此问题由称为开集识别的新机器学习范式解决。开集识别是指将测试样本分配给训练所用类别之一或未知类的问题。本工作提出将卷积神经网络（CNN）与随机森林（RF）结合用于交通场景的开集识别。CNN用于特征生成，RF算法结合极值理论用于已知与未知类的检测。所提方案的特色在于探究RF中树的投票模式而非仅采用多数投票。借助RF的集成特性，所有树的投票模式结合极值理论被证明非常适用于检测未知类。所提方法已在highD与OpenTraffic数据集上测试，并在多方面展现出优于现有方案的性能。
引用
@article{arxiv.2105.07635,
title = {Open-set Recognition based on the Combination of Deep Learning and Ensemble Method for Detecting Unknown Traffic Scenarios},
author = {Lakshman Balasubramanian and Friedrich Kruber and Michael Botsch and Ke Deng},
journal= {arXiv preprint arXiv:2105.07635},
year = {2021}
}
备注
Accepted for IEEE Intelligent Vehicles 2021