当前位置:首页 » 新闻调查 » 正文

分类页和文章页“当前位置”下方广告(PC版)
分类页和文章页“当前位置”下方广告(移动版)

杏鲍菇炒肉,DeepTest : 深度神经网络驱动的自动驾驶轿车的自动化测验,废材逆天四小姐

210 人参与  2019年10月10日 01:31  分类:新闻调查  评论:0  
  移步手机端

1、打开你手机的二维码扫描APP
2、扫描左则的二维码
3、点击扫描获得的网址
4、可以在手机端阅读此文章


引证

Tian, Yuchi, Kexin Pei,肉狗 Suman Jana, and Baishakhi Ray. "Deeptest: Automated testing of deep-neural-network-driven autonomous ca苏沐然rs."契诃夫 In Proceedings of the 40th international conference on softw奥迪q3报价are engineering, pp. 303-314. ACM, 2018.

研讨布景:

近些年来关于深度神经网络的研讨处于日新月异之势,由DNN驱动的主动驾驭轿车体系也随之高速开展。特斯拉,宝马等大型制作商正如火如荼的制作并检验各种类型的主动驾驭轿车。主动驾驭轿车首要依托摄像机,激光雷达等传乐清教科研网感器接纳信号然后操控轿车组件的各种决议计划行为,比方方向盘,刹车和油门等,无需人类干涉即可完结胡亦晴安全驾驭的方针。近段时刻主动驾驭轿车的安全事端连续不断地呈现,与一般的软件体系不同,主动驾驭体系的决议计划一旦呈现过错,支付的或许是生命的价值。由此可见,对主动驾驭轿车体系进行有用的检验是至关重要的。

处理的问题:

1)大多数现有的检验技能很依赖于不同王倩上吊驾驭条件下手动搜集的数据,驾驭进程中的体系状况空间极大,搜集数据好不简单。

2)检验进程中,怎么人工地创立体系的需求标准,经过它来对体系的行为是否正确来做查看,这也是个难题。

3)怎么归纳实践的体系输入,使得检验进程主动化。

试验办法:杏鲍菇炒肉,DeepTest : 深度神经网络驱动的主动驾驭轿车的主动化检验,废材逆天四小姐

1. 根据神经元掩盖的体系性检验。

本文规划了一共将空间区分为不同等价类的体系办法,运用神经元掩盖率作为一种区分输入空间的机制。神经元掩盖率被界说为在给定输入下被激活的神经元与DNN中神经元总数的比率,本文运用0.2作为神经元激活阈值。Deeptest企图生成最大化神经元掩盖率的输入,来添加主动驾驭体系输出的多样性。

2. 运用图画组成最大化神经元掩盖率

为了确保检验具有实践意义,本文关于生成的图画检验用例进行组成,模仿实在国际的现象。其间包含九种实在图画改换:改动亮度,改三千工作可攻略变对比度,平移,缩放,水平剪切,旋转,含糊,雾作用和雨作用。这些改换分为三类:线性改换,仿射改换和卷积改换。线性改换能够经过在像素的当时值加减或乘上常数参数来完成。文中列出了四种改换矩阵:平移,缩放,剪切和旋转。仿射改换是核算改换矩阵与原有矩阵的点积来模仿反例,来查看主动驾驭体系关于这些改换的鲁棒性。含糊和添加雾/雨作用都插她是卷积改换,即对具有不同改换特定核的输入像素履行卷积运算。卷积运算将输入图画的每个像素相加到其部分邻域。本文运用四种不同类型的含糊滤波器:均匀、高斯、中值和双方。文中将adobe photoshop供给的多个过滤器组合在输入图画上,以模仿实在的雾和雨作用。

3. 运用改换组合进步神经元掩盖率

不同的图画改换能够激活不同的神经元,假如这些改换堆叠起来的话,能够激活更多的神经元。但是,一切改换组合的状况空间十分巨大,本文供给了一种神经元掩盖率引导的贪婪查找技能,能够有用地找到导致更高掩盖率的图画改换组合。该算法以一组初始图画i、一组改换t及其相应参数作为输入。该算法的中心思维是盯梢那些成功地添加给青海花儿打擂台对唱定图画神经元掩盖率的改换,并在从给定图画生成更杏鲍菇炒肉,DeepTest : 深度神经网络驱动的主动驾驭轿车的主动化检验,废材逆天四小姐多组成图画的一起对它们进行优先级排序。该进程以深度优先的办法对一切图画重复。

4. 运用蜕变联系发明Test Oracle

主动驾驭体系是一个根据D伟训NN的杂乱体系,手动创立体系标准是极端困难的,由于这涉及到从头创立人工驱动程序的逻辑。本文奇妙地避免了这个问题,转而考虑不同组成图画间对应轿车不同决议计划行为之间的蜕变联系。例如,在任何灯火/气候条件、含糊或任何具有小参数值的仿射改换下,关于同一图画,主动驾驭轿车的转向角不该发作明显改动。但是关于给定图画,一般没有一个正确的转向角,轿车或许能够安全地接受细小的改动。本文在严厉与宽松的蜕变联系寻求一种权衡,所以凭借均方差错从头界说了一个蜕变联系,即假定模型关于输入的转化图画发作的差错应该在原始图画集发作的均方差错的lamda倍范围内,这儿的lamda是一个可装备参数.

试验成果:

本文将deeptest东西用于对三款在U萨博dacity主动驾驭挑战赛中取得优异名次的DNN车型上进行评价,G379别离为 Rambo(第二名), Chauffeur (第三名), 和Epoch(第六名).

首要研讨了神经元掩盖率与检验输出的联系,经过核算神经元掩盖率和转向角之间的斯皮尔曼秩相关性,得到了两个变量之间单调相关的非参数测度。正相关剖析标明,跟着神经元掩盖率的添加,转向角增大,反之亦然。一切模型的斯皮尔曼秩相关性在计算学上都是明显的,而Chauffeur模型和Rambo模型显现出全体的负相关性,Epoch模型显现出很强的正相关性悬空寺。成果标明,神经元的掩盖率随输出松花蛋转向角的改动而改动。

其次测雷克雅未克气候量了神经元掩盖率与转向方向的相关性,本文运用wilcoxon非参数检验,由于转向只能有两个值(左和右)一切三个全体模型。成果显现,关于rambo,只要rambo-s1子模型显现了计算上的明显相关性,而rambo-s2和rambo-s3没有。这些成果标明,与前序研讨的转向角不同,一些子模型比其他模型更担任改动转向。

总的来说,嫡女风华这些成果标明,关于不同的输入输出对,神经元的掩盖率彻底不同。因而,神经元掩盖率导向检验战略有助于发现边际的比方。

本文从检验会集随机抽取1000个输入图画,并运用七种不同的改换对它们进行改换:含糊、亮度、对比度、旋转、缩放、剪切和平移。还改动了每个改换的参数,生成了一共70000个新的组成图画。用这些组成图画作为输入运转一切模型,并记载每个输入激活的神经元。关于所研讨的一切模型,垫丰武高速转化后的图画明显添加了神经元的掩盖率,wilcoxon非参数检验证明了计算明显性。这些成果还标明,不同的图画改换以不同的速率添加了神经元的掩盖率。

接着,咱们运用神经元掩盖率引导的贪婪查找算法来查看是否能够进一步添加累积神经元掩盖。咱们从100张原始图片中为chauffeur生成254221和864张图片,引导改变。epoch和rambo别离树立模型并丈量它们的团体神经元掩盖率。chauffeur、Epoch、Rambo-S1、Rambo-S2和Rambo-S3的引导转化一共到达总神经元的88%、51%、64%、70%和98%,然后使非引导办法的掩盖率添加到17%22%、12%、21%和0.5%。该办法还明显进步了神经元掩盖率w.陈廷敬r.杏鲍菇炒肉,DeepTest : 深度神经网络驱动的主动驾驭轿车的主动化检验,废材逆天四小姐t.基线累积掩盖率。

关于雨、雾和引导查找,咱们别离报告了一切三个模型中=5的444杏鲍菇炒肉,DeepTest : 深度神经网络驱动的主动驾驭轿车的主动化检验,废材逆天四小姐8、741和821个过错行为。关于某些转化,某些模型比其他模型更简单呈现过错行为。例如,Rambo生成了23个剪切过错状况,而其他两个模型没有显现任何此类状况。相同,deeptest也发现了650起司机在下雨时的过错行为,但epoch和rambo别离只要64起和27起。总的来说,deeptest在一切三个模型中检测到6339个过错行为。在神经元掩盖率引导的组成图画中,deeptest成功地检测出3种低误报模型猜测的1000多个过错行为。运用deeptest生成的归纳数据对dnn进行再练习,dnn的准确率可进步46%。

总结:

本文完成了一个体系化的检验东西deeptest,能够主动检测出DNN主动驾驭体系或许导致事端发作的过错决议计划,首要是剖析摄像头捕获到的图画致使主动驾驭轿车转向的行为。首要,deeptest体系化主动生成检验用例,能使模型的神经元掩盖率最大化,比方模仿下雨,起雾,光照条件等实践场景。其次,本文证明了神经元掩盖率的改动能够影响到主动驾驭轿车转向行为的改动,而且关于摄像机捕获到图画进行各种转化,能够激活DNN中不同组的神经元,然后最大化神经元掩盖率。最终,本文关于不同检验用例进行实在图画变杏鲍菇炒肉,DeepTest : 深度神经网络驱动的主动驾驭轿车的主动化检验,废材逆天四小姐换,进行组成测杏鲍菇炒肉,DeepTest : 深度神经网络驱动的主动驾驭轿车的主动化检验,废材逆天四小姐试,运用蜕变联系主动检测过错行为,组成的图画还能够用于再练习,使DNN主动驾驭轿车体系具有更强的鲁棒性。

考虑与未来展望:

deeptest经过对原始图画使用不同的图画改换生成实在的组成图画。但是,这些转化并不是规划成翔实无遗的,因而或许并不包括一切实践状况。尽管现在的图画改换(如雨和雾作用)被规划为实在的,但由于许多不行猜测的要素,例杏鲍菇炒肉,DeepTest : 深度神经网络驱动的主动驾驭轿车的主动化检验,废材逆天四小姐如太阳的方位、雨滴的视点和巨细,生成的图片在实际中或许无法彻底再现。但是,跟着图画处理技能的日益老练,生成的图画将越来越挨近实际。一个完好的DNN模型,除了转向角以外,驾驭一辆主动驾驭轿车还必须处理制动和加快度。本文仅限于检验转向角的准确性,由于此检验模型尚不支撑制动和加快。后边的研讨或许能够参加关于制动和加快的检验。

称谢

本文由南京大学软件工程系2019硕士生邓靖琦翻译转述。

感谢国家自然科学基金项目(重点项目)智能软件体系的数据驱动检验办法与技能(61932012)赞助

转载请保留出处和链接!

本文链接:http://www.arcadetalks.com/articles/1336.html

文章底部广告(PC版)
文章底部广告(移动版)
百度分享获取地址:http://share.baidu.com/
百度推荐获取地址:http://tuijian.baidu.com/,百度推荐可能会有一些未知的问题,使用中有任何问题请直接联系百度官方客服!
评论框上方广告(PC版)
评论框上方广告(移动版)
推荐阅读