现代自动驾驶汽车系统使用复杂的感知和控制组件，必须应对从传感器收到的不确定数据。为了估计此类车辆保持安全状态的可能性，开发人员经常采用耗时的模拟方法。本文提出了一种基于广义多项式混乱（GPC）的车辆系统中自治管道的替代方法。我们还提出了气体，这是第一种用于创建和使用复杂车辆系统的GPC模型的算法。气体用感知模型代替了复杂的感知成分，以降低复杂性。然后，它构建了GPC模型，并将其用于估计状态分布和/或输入不安全状态的概率。我们在农作物管理车辆，自动驾驶汽车和空中无人机中使用的五种情况下评估气体 - 每个系统都使用至少一个复杂的感知或控制组件。我们表明，气体计算的状态分布与蒙特卡洛模拟所产生的分布非常匹配，同时也提供2.3倍-3.0倍的加速。
translated by 谷歌翻译
语义图像扰动（例如缩放和旋转）已被证明很容易欺骗深神经网络（DNN）。因此，培训DNN对这些扰动有证明是鲁棒的，至关重要。但是，由于现有的确定性语义验证符非常缓慢，因此没有先前的工作能够将确定性语义鲁棒性的目标纳入训练程序。为了应对这些挑战，我们提出了认证的语义培训（CST），这是针对语义图像扰动的确定性认证鲁棒性的第一个培训框架。我们的框架利用了一种新颖的GPU优化验证器，与现有作品不同，它足以用于培训。我们的结果表明，与基于现有作品训练的网络相比，通过CST训练的网络始终达到更好的证明语义鲁棒性和清洁精度。
translated by 谷歌翻译
对象检测，车道检测和分割的卷积神经网络（CNN）现在坐在大多数自主管道的头部，然而，他们的安全分析仍然是一个重要的挑战。对感知模型的正式分析是根本困难的，因为他们的正确性是难以指定的，如果不是不可能指定。我们提出了一种从系统级安全要求，数据和从感知下游的模块的模块的识字模型推断出可理解和安全抽象的技术。该技术可以帮助在创建抽象和随后的验证方面进行权衡安全性，大小和精度。我们将该方法应用于基于高保真仿真（a）用于自主车辆的视觉的车道保持控制器的两个重要案例研究，并且（b）用于农业机器人的控制器。我们展示了所生成的抽象如何与下游模块组成，然后可以使用像CBMC等程序分析工具验证所产生的抽象系统。详细评估规模，安全要求和环境参数（例如，照明，路面，植物类型）对所产生的抽象精度的影响表明，该方法可以帮助指导寻找角落案例和安全操作包围。
translated by 谷歌翻译
虽然基于点的网络被证明是3D点云建模的准确性，但它们仍然落在3D检测中基于体素的竞争对手后面。我们观察到，用于下采样点的主要集合抽象设计可以保持太多的不重要背景信息，可以影响检测对象的特征学习。为了解决这个问题，我们提出了一种名为语义增强集抽象（SASA）的新型集抽象方法。从技术上讲，我们首先将二进制分段模块添加为侧面输出，以帮助识别前景点。基于估计的点亮前景分数，我们提出了一种语义引导的点采样算法，帮助在下采样期间保持更重要的前景点。在实践中，SASA显示有效地识别与前景对象相关的有价值的点，并改善基于点的3D检测特征学习。此外，它是一种易于插入式模块，能够提升各种基于点的探测器，包括单级和两级的探测器。对流行的基蒂和NUSCENES数据集的广泛实验验证了SASA的优越性，提升基于点的检测模型，以达到最先进的基于体素的方法。
translated by 谷歌翻译
为医学图像评估构建准确和强大的人工智能系统，不仅需要高级深度学习模型的研究和设计，还需要创建大型和策划的注释训练示例。然而，构造这种数据集通常非常昂贵 - 由于注释任务的复杂性和解释医学图像所需的高度专业知识（例如，专家放射科医师）。为了对此限制来说，我们提出了一种基于对比学习和在线特征聚类的丰富图像特征自我监督学习方法。为此目的，我们利用各种方式的大超过100,000,000个医学图像的大型训练数据集，包括放射线照相，计算机断层扫描（CT），磁共振（MR）成像和超声检查。我们建议使用这些功能来指导在各种下游任务的监督和混合自我监督/监督制度的模型培训。我们突出了这种策略对射线照相，CT和MR：1的挑战性图像评估问题的许多优点，与最先进的（例如，检测3-7％的AUC升压为3-7％胸部射线照相扫描的异常和脑CT的出血检测）; 2）与使用无预先训练（例如，83％，在培训MR扫描MR扫描中的脑转移的模型时，在训练期间训练期间的模型收敛在训练期间的培训期高达85％。 3）对各种图像增强的鲁棒性增加，例如在场中看到的数据变化的强度变化，旋转或缩放反射。
translated by 谷歌翻译