三维目标检测神经网络系统的安全感知强化
机器学习
2020-04-02 v3 计算机视觉与模式识别
机器学习
摘要
我们研究如何使采用单阶段流程的先进三维目标检测神经网络具备安全感知能力。我们从安全规范（反映其他组件的能力）出发，该规范按关键程度划分三维输入空间，其中关键区域采用关于扰动下鲁棒性、边界框质量以及在训练集上所展示的假阴性容忍度的独立准则。在架构设计中，我们考虑符号误差传播以允许特征级扰动。随后，我们引入一个专门损失函数，反映（1）安全规范，（2）单阶段检测架构的使用，以及（3）扰动下鲁棒性的表征。我们还将常见的非极大抑制后处理算法替换为安全感知的非极大包含算法，以维持神经网络所建立的安全断言。通过扩展先进 PIXOR 检测器来详述该概念，该检测器以激光点云为输入，在鸟瞰图中生成目标边界框。
引用
@article{arxiv.2003.11242,
title = {Safety-Aware Hardening of 3D Object Detection Neural Network Systems},
author = {Chih-Hong Cheng},
journal= {arXiv preprint arXiv:2003.11242},
year = {2020}
}
备注
This version is similar to v1 with an added statement: "The evaluation using KITTI dataset in this paper is for knowledge dissemination and scientific publication and is not for commercial use"