利用早期层神经激活模式对自动驾驶系统中3D目标检测的运行时监控

监控自动驾驶系统感知模块内目标检测的完整性对于确保安全至关重要。尽管基于深度神经网络（DNN）的目标检测器取得了最新进展，但其对检测错误的敏感性，尤其是在探索较少的3D目标检测领域，仍然是一个重大关切。最先进的2D目标检测完整性监控（也称为内省）机制主要利用基于DNN检测器骨干网络最后一层的激活模式。然而，这可能不足以解决3D目标检测中数据的复杂性和稀疏性问题。为此，我们在本文中对从骨干网络不同层提取的激活模式对3D目标检测器运行进行内省的效果进行了广泛研究。通过使用Kitti和NuScenes数据集以及PointPillars和CenterPoint检测器进行的比较分析，我们证明了使用早期层的激活模式可以增强完整性监控系统的错误检测性能，但会增加计算复杂度。为了满足自动驾驶系统中实时运行的要求，我们还引入了一种新颖的内省方法，该方法结合了检测器骨干网络多个层的激活模式，并报告了其性能。