自动车辆越来越依赖相机,为感知和场景的理解提供输入,以及这些模型在不利条件和图像噪声下对其环境和物体进行分类的能力至关重要。当输入是无意中或通过目标攻击,恶化,自主车辆的可靠性受到损害。为了缓解此类现象,我们提出了一种轻型时空AutoEncoder的DriveGuard,作为稳定自动车辆图像分割过程的解决方案。通过使用DriveGuard的首次处理相机图像,我们提供比必须使用嘈杂输入重新列车的每个感知模型的更全面的解决方案。我们探索不同的AutoEncoder架构的空间,并在使用真实和合成图像创建的不同数据集中评估它们,通过利用多分量损失,通过利用时空信息,我们显着增加稳健性,以达到5-6%内的不利图像效应。清洁图像上的原始模型。
translated by 谷歌翻译