面向飞机安全滑行的跑道物体分类器鲁棒性评估
计算机视觉与模式识别
2024-08-07 v4 机器学习
计算机科学中的逻辑
摘要
随着深度神经网络（DNN）正成为许多计算问题的主要解决方案，航空业正寻求探索其在减轻飞行员工作负荷和提高运行安全方面的潜力。然而，在此类安全关键应用中使用DNN需要经过彻底的认证过程。这一需求可以通过形式化验证来满足，它提供了严格的保证——例如，通过证明某些错误预测的不存在。在这篇案例研究论文中，我们使用一个目前由空客公司开发、旨在用于飞机滑行阶段的图像分类器DNN来演示这一过程。我们使用形式化方法来评估该DNN对三种常见图像扰动类型的鲁棒性：噪声、亮度和对比度，以及它们的一些组合。这个过程需要多次调用底层验证器，这可能计算成本高昂；因此，我们提出了一种方法，利用这些鲁棒性属性的单调性以及过去验证查询的结果，将所需的验证查询总数减少近60%。我们的结果显示了所研究DNN分类器达到的鲁棒性水平，并表明它对噪声的脆弱性远高于对亮度或对比度扰动的脆弱性。
引用
@article{arxiv.2402.00035,
title = {Robustness Assessment of a Runway Object Classifier for Safe Aircraft Taxiing},
author = {Yizhak Elboher and Raya Elsaleh and Omri Isac and Mélanie Ducoffe and Audrey Galametz and Guillaume Povéda and Ryma Boumazouza and Noémie Cohen and Guy Katz},
journal= {arXiv preprint arXiv:2402.00035},
year = {2024}
}
备注
This is a preprint version of the paper in the proceedings of 43rd Digital Avionics Systems Conference (DASC)