Benchmarking Image Perturbations for Testing Automated Driving Assistance Systems

要約

ディープ ニューラル ネットワーク (DNN) に基づく先進運転支援システム (ADAS) は、物体検出、セマンティック セグメンテーション、車線認識などの重要な認識タスクのために自動運転車で広く使用されています。
ただし、これらのシステムは、ノイズや照明の変化などの入力変動に非常に敏感であり、システムの有効性が損なわれ、安全上重要な障害が発生する可能性があります。
この研究は、ADAS 知覚システムの堅牢性と一般化を検証および改善するために、DNN の堅牢性を評価するために一般的に使用される手法である画像摂動の包括的な経験的評価を提供します。
私たちはまず文献の体系的なレビューを実施し、38 のカテゴリーの摂動を特定しました。
次に、2 つの異なる ADAS の障害を明らかにする際の有効性を、コンポーネント レベルとシステム レベルの両方で評価しました。
最後に、新しい運用設計ドメインへの ADAS の適応を改善するために、摂動ベースのデータ拡張と継続的学習戦略の使用を検討しました。
私たちの結果は、すべてのカテゴリの画像摂動が ADAS における堅牢性の問題をうまく明らかにし、データセットの拡張と継続的学習の使用により、これまでにない未知の環境における ADAS のパフォーマンスが大幅に向上することを示しています。

要約(オリジナル)

Advanced Driver Assistance Systems (ADAS) based on deep neural networks (DNNs) are widely used in autonomous vehicles for critical perception tasks such as object detection, semantic segmentation, and lane recognition. However, these systems are highly sensitive to input variations, such as noise and changes in lighting, which can compromise their effectiveness and potentially lead to safety-critical failures. This study offers a comprehensive empirical evaluation of image perturbations, techniques commonly used to assess the robustness of DNNs, to validate and improve the robustness and generalization of ADAS perception systems. We first conducted a systematic review of the literature, identifying 38 categories of perturbations. Next, we evaluated their effectiveness in revealing failures in two different ADAS, both at the component and at the system level. Finally, we explored the use of perturbation-based data augmentation and continuous learning strategies to improve ADAS adaptation to new operational design domains. Our results demonstrate that all categories of image perturbations successfully expose robustness issues in ADAS and that the use of dataset augmentation and continuous learning significantly improves ADAS performance in novel, unseen environments.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google