survAIval：以 AI 之眼审视生存分析
计算机视觉与模式识别
2023-05-30 v1 机器学习
机器人学
摘要
在本研究中，我们提出了一种新方法，利用自行设计的驾驶模拟器和两名人类驾驶员在短期内生成安全关键的极端案例（corner cases），以丰富自动驾驶的训练数据，如~\cite{kowol22simulator}中已展示的。我们的结果表明，在训练过程中加入这些极端案例可提升测试阶段对极端案例的识别能力，尽管它们是由于视觉障碍而记录的。利用先前工作中开发的极端案例触发流水线，我们从开发视角研究了使用专家模型克服因不同天气条件和时段造成的领域鸿沟（domain gap）相较于通用模型的有效性。我们的研究揭示，专家模型在性能和效率方面可带来显著收益，并能减少模型训练所需的时间和精力。我们的结果为自动驾驶的进展作出了贡献，为未来道路上更安全、更可靠的自动驾驶车辆提供了一条路径。
引用
@article{arxiv.2305.18222,
title = {survAIval: Survival Analysis with the Eyes of AI},
author = {Kamil Kowol and Stefan Bracke and Hanno Gottschalk},
journal= {arXiv preprint arXiv:2305.18222},
year = {2023}
}