VATLD：一种用于评估、理解并改进交通灯检测的可视分析系统
人机交互
2020-09-29 v1 计算机视觉与模式识别
摘要
交通灯检测对于自动驾驶中的环境感知与决策制定至关重要。最先进的检测器构建于深度卷积神经网络(CNNs)之上，并展现出令人鼓舞的性能。然而，基于CNN的检测器一个隐忧在于，在部署到自动驾驶车辆之前，如何全面评估其准确性与鲁棒性。本工作中，我们提出一种名为VATLD的可视分析系统，配备解耦表示学习与语义对抗学习，以评估、理解并改进自动驾驶应用中交通灯检测器的准确性与鲁棒性。解耦表示学习提取数据语义，通过人性化的视觉摘要增强人类认知；语义对抗学习高效暴露可解释的鲁棒性风险，并实现最少的人为交互以获取可操作洞见。我们还借助可视分析系统VATLD展示了由可操作洞见衍生的多种性能改进策略的有效性，并阐明了自动驾驶中安全关键应用的一些实际意义。
引用
@article{arxiv.2009.12975,
title = {VATLD: A Visual Analytics System to Assess, Understand and Improve Traffic Light Detection},
author = {Liang Gou and Lincan Zou and Nanxiang Li and Michael Hofmann and Arvind Kumar Shekar and Axel Wendt and Liu Ren},
journal= {arXiv preprint arXiv:2009.12975},
year = {2020}
}