利用学习表示对自动驾驶系统中 2D 目标检测的运行时内省
计算机视觉与模式识别
2024-03-05 v1
摘要
可靠地检测周围环境中的各种物体和道路使用者对于自动驾驶系统 (ADS) 的安全运行至关重要。尽管基于深度神经网络 (DNN) 的高精度目标检测器的开发取得了最新进展，但它们仍然容易出现检测错误，这在 ADS 等安全关键应用中可能导致致命后果。针对该问题的一种有效补救措施是为系统配备运行时监控，在自主系统的语境中称为内省。受此启发，我们引入了一种新颖的内省解决方案，该方案在帧级别上作用于基于 DNN 的 2D 目标检测，并利用神经网络激活模式。所提出的方法使用几种不同模式对目标检测器主干的神经激活模式进行预处理。为了提供广泛的比较分析和公平比较，我们还在 KITTI 和 BDD 数据集上评估的一阶段和两阶段目标检测器中，改编并实现了几种最先进的 (SOTA) 用于 2D 目标检测错误检测的内省机制。我们在错误检测、对数据集偏移的适应性以及计算和内存资源需求方面比较了所提方案的性能。我们的性能评估表明，所提出的内省解决方案优于 SOTA 方法，在 BDD 数据集上实现了漏检错误率 9% 到 17% 的绝对降低。
引用
@article{arxiv.2403.01172,
title = {Run-time Introspection of 2D Object Detection in Automated Driving Systems Using Learning Representations},
author = {Hakan Yekta Yatbaz and Mehrdad Dianati and Konstantinos Koufos and Roger Woodman},
journal= {arXiv preprint arXiv:2403.01172},
year = {2024}
}
备注
Submitted to IEEE Transactions on Intelligent Vehicles. 15 pages, 7 figures, 11 tables