用于鲁棒视场估计的概率分割
计算机视觉与模式识别
2025-03-11 v1 机器学习
摘要
针对感知与感知系统的攻击威胁着自动驾驶车辆（AVs）的安全部署。安全感知的传感器融合有助于缓解威胁，但需要准确的视场（FOV）估计，而这一方面尚未在自动驾驶中经过评估。为填补这一空白，我们改编了经典计算机图形学算法，开发了首个与自动驾驶相关的 FOV 估计器，并创建了首个带有真值 FOV 标签的数据集。遗憾的是，我们发现这些方法本身极易受到针对感知的攻击。为了提高 FOV 估计抵御攻击的鲁棒性，我们提出了一种基于学习的分割模型，该模型捕获 FOV 特征，集成 Monte Carlo dropout（MCD）进行不确定性量化，并在置信度图上执行异常检测。我们通过全面评估展示了其抗攻击能力及跨环境的强泛化能力。架构权衡研究表明，该模型在多种应用中实时部署是可行的。
引用
@article{arxiv.2503.07375,
title = {Probabilistic Segmentation for Robust Field of View Estimation},
author = {R. Spencer Hallyburton and David Hunt and Yiwei He and Judy He and Miroslav Pajic},
journal= {arXiv preprint arXiv:2503.07375},
year = {2025}
}