从神经元覆盖到转向角度:有效测试自动驾驶汽车
Jack Toohey1, M S Raunak2, Dave Binkley1
1Loyola University Maryland.
概括
本研究探讨了用于测试自动驾驶汽车深度神经网络 (DNN) 的现实的图像转换. 研究结果揭示了这些转变如何影响神经元覆盖和模型输出,这对于提高DNN可靠性和信任至关重要.
科学领域:
- 人工智能的人工智能
- 计算机视觉 计算机视觉
- 软件工程 软件工程 软件工程
背景情况:
- 自动驾驶汽车中的深度神经网络 (DNN) 作为复杂的"黑子"运作,需要确保其可靠性和可信度的方法.
- 传统的软件测试技术正在适应DNN,神经元覆盖率被提议作为评估测试套件在检测故障中的有效性的关键指标.
研究的目的:
- 调查现实的图像转换对自动驾驶汽车DNN的神经元覆盖率的影响.
- 评估这些转变如何影响训练自动驾驶汽车DNN的输出.
- 为提高DNN模型的可靠性和信任度的方法做出贡献.
主要方法:
- 利用现实的图像转换来生成用于测试的新型数据集.
- 将这些转换应用于训练有素的自动驾驶汽车DNN.
- 测量了由此产生的神经元覆盖范围,并分析了模型输出中的变化.
主要成果:
- 逼真的图像转换显著改变神经元覆盖度量.
- 选择的转换显然会影响DNN的分类或预测输出.
- 神经元覆盖水平因应用的特定图像转换而有所不同.
结论:
- 现实的转换对于发现自动驾驶汽车DNN中的潜在故障是有价值的.
- 该研究提供了关于DNN对输入变化的敏感性的见解.
- 结果支持使用基于输入转换的测试来提高DNN的稳定性和可靠性.


