Complementary Learning for Real-World Model Failure Detection

要約

現実世界の自動運転では、トレーニング データと遭遇する運転条件の間の分布の変化により、ディープ ラーニング モデルのパフォーマンスが低下する可能性があります。
機械学習ではよくあることですが、実際に展開する準備としてモデルを検証するために、代表的な可能性のある大規模なラベル付きテスト セットを取得することは困難です。
この研究では、さまざまなトレーニング パラダイムから学習した特性を使用してモデルのエラーを検出する補完学習を導入します。
教師ありおよび自己教師ありの方法で点群内の意味論的および予測運動ラベルを学習し、その後モデルの不一致を検出して分類することによってアプローチを実証します。
私たちは大規模な定性分析を実行し、広範な定量分析のために LIDAR 点群の異常をラベル付けした最初のデータセットである LidarCODA を提示します。

要約(オリジナル)

In real-world autonomous driving, deep learning models can experience performance degradation due to distributional shifts between the training data and the driving conditions encountered. As is typical in machine learning, it is difficult to acquire a large and potentially representative labeled test set to validate models in preparation for deployment in the wild. In this work, we introduce complementary learning, where we use learned characteristics from different training paradigms to detect model errors. We demonstrate our approach by learning semantic and predictive motion labels in point clouds in a supervised and self-supervised manner and detect and classify model discrepancies subsequently. We perform a large-scale qualitative analysis and present LidarCODA, the first dataset with labeled anomalies in lidar point clouds, for an extensive quantitative analysis.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google