Zusammenfassung
Im Bereich der Bilderkennung wurden in den vergangenen Jahren durch Deep Learning spektakuläre Fortschritte erzielt (Krizhevsky A, Sutskever I, Hinton GE. ImageNet classification with deep convolutional neural networks. In: Pereira F, Burges CJC, Bottou L, Weinberger KQ (Hrsg). Advances in Neural Information Processing Systems 25: Curran Associates, Inc; 2012, 1097–1105). Durch Neuronale Faltungsnetze (kurz: CNNs [convolutional neural networks]) können Straßenszenen in eine sogenannte semantische Segmentierung übersetzt werden (Long J, Shelhamer E, Darrell T. Fully convolutional networks for semantic segmentation. CoRR 2014; abs/1411.4038). Diese semantische Segmentierung bildet einen Baustein im Zusammenspiel mehrerer redundanter Systeme, welche das autonome Fahren ermöglichen sollen. Da neuronale Netze mithilfe von Trainingsdatensätzen angelernt werden, versagen diese oft bei dem Versuch unbekannte Objekte (also Objekte, welche nicht in den Trainingsdatensätzen vorhanden waren) zu erkennen.
In unserem Paper stellen wir – neben den Grundlagen zu CNNs sowie semantischer Segmentierung – eine simple entropiebasierte Methode vor, welche zur nachträglichen Erkennung unerkannter Objekte beitragen kann. Die Entropie kann dabei als ein Maß zur Quantifizierung der Unsicherheit des neuronalen Netzes angesehen werden. Durch das Visualisieren und anschließende Filtern dieser Entropie werden Bildregionen ermittelt, in welchen die Ausgabe des neuronalen Netzes durch starke Unsicherheit geprägt ist. Übersehene Objekte können dadurch nachträglich zur semantischen Segmentierung hinzugefügt werden. Mithilfe der Methode konnte die Güte der semantischen Segmentierung verbessert werden, wie sich in den Auswertungen zeigt.
Des Weiteren stellen wir weitere weitaus komplexere Methoden mit ähnlichen Ansätzen vor, welche ebenfalls an der Bergischen Universität Wuppertal entwickelt wurden ( Rottmann M, Maag K, Chan R, Hüger F, Schlicht P, Gottschalk H. Detection of false positive and false negative samples in semantic segmentation 2019). Die vorgestellten Frameworks beschäftigen sich unter anderem mit den Aufgaben der Metaklassifizierung und Metaregression. Hierbei wird die Vorhersagegüte eines Segments der semantischen Segmentierung anhand von segmentweise aggregierten Metriken wie Fraktalität und Unsicherheit geschätzt. Durch die Methode soll dem Auftreten von Fehlerkennungen (sog. false-positives und false-negatives) vorgebeugt werden.
Access this chapter
Tax calculation will be finalised at checkout
Purchases are for personal use only
Literatur
Krizhevsky A, Sutskever I, Hinton G.E.: ImageNet classification with deep convolutional neural networks. In: Pereira, F., Burges, C.J.C., Bottou, L., Weinberger, K.Q. (Hrsg.) Advances in Neural Information Processing Systems 25, S. 1097–1105, Curran Associates, Inc (2012)
Long, J., Shelhamer, E., Darrell, T.: Fully Convolutional networks for semantic segmentation. CoRR (2014). abs/1411.4038
Rottmann, M., Maag, K., Chan, R., Hüger, F., Schlicht, P., Gottschalk, H.: Detection of False Positive and False Negative Samples in Semantic Segmentation. In: 2020 Design, Automation & Test in Europe Conference & Exhibition (DATE), S. 1351–1356 (2020)
Murtfeldt, E.W.: Highways of the future. Popular Science MAY, 1938:27–29, 118–119 (1938). http://blog.modernmechanix.com/highways-of-the-future
Yang, K., Guler, S.I., Menendez, M.: Isolated intersection control for various levels of vehicle technology: Conventional, connected, and automated vehicles. Transp. Res. Part C Emerg. Technol. 72, 109–129 (2016)
Zohdy, I.H., Rakha, H.A.: Intersection management via vehicle connectivity: The intersection cooperative adaptive cruise control system concept. J. Intell. Transp. Syst. 20(1), 17–32 (2016)
Rios-Torres, J., Malikopoulos, A.A.: Automated and cooperative vehicle merging at highway On-Ramps. IEEE Trans. Intell. Transport. Syst. 18(4), 780–789 (2017)
Wang, Z., Chen, X.M., Ouyang, Y., Li, M.: Emission mitigation via longitudinal control of intelligent vehicles in a congested platoon. Comput. Aided Civ. Infrastruct. Eng. 30(6), 490–506 (2015)
Mitchell, T.M.: Machine Learning. Boston, McGraw-Hill (1997)
Wu, S.G., Bao, F.S., Xu, E.Y., Wang, Y.-X., Chang, Y.-F., Xiang, Q.-L.: A Leaf Recognition Algorithm for Plant Classification Using Probabilistic Neural Network. In: 2007 IEEE International Symposium on Signal Processing and Information Technology, S. 11–16 (2007)
Hinz, M., Brueggemann, D., Bracke, S.: Framework for customized, machine learning driven condition monitoring system for manufacturing. Proced. Manuf. 39, 243–250 (2019)
Nielsen, M.A.: Neural networks and deep learning. Determination Press (2015)
Rumelhart, D.E., Hinton, G.E., Williams, R.J.: Learning representations by back-propagating errors. Nature 323(6088), 533–536 (1986)
SAE: Society of Automotive Engineers. SAE J3016: Levels of Driving Automation(J3016) (2018)
Ritz, J.: Mobilitätswende – autonome Autos erobern unsere Straßen. Wiesbaden: Springer Fachmedien Wiesbaden (2018)
Pinggera, P., Ramos, S., Gehrig, S., Franke, U., Rother, C., Mester, R.: Lost and Found: detecting small road hazards for self-driving vehicles. In: 2016 IEEE/RSJ International Conference on Intelligent Robots and Systems (IROS), S. 1099–1106 (2016). https://doi.org/10.1109/IROS.2016.7759186
Redmon, J., Divvala, S., Girshick, R., Farhadi, A.: You Only Look Once: Unified, Real-Time Object Detection (2015)
Statistisches Bundesamt. 2,7 % mehr Verkehrstote im Jahr 2018: Pressemitteilung Nr. 069 vom 27. Februar 2019. Wiesbaden (2019)
Bundesamt, K.: Entwicklung der Fahrleistung nach Fahrzeugarten seit 2015. Flensburg 16.07.20. (2020)
Ethik Kommision des Bundesministeriums für Verkehr und digitale Infrastruktur. Automatisiertes und vernetztes Fahren: Bericht der Ethik-Kommision. Berlin (2017).
Statistisches Bundesamt: Alle 9 Stunden stirbt ein Mensch bei einem Geschwindigkeitsunfall in Deutschland. Wiesbaden (2020)
Rottmann, M., Colling, P., Hack, T.-P., Hüger, F., Schlicht, P., Gottschalk, H.: Prediction error meta classification in semantic segmentation: Detection via aggregated dispersion measures of softmax probabilities. CoRR (2018). abs/1811.00648
Hein, M., Andriushchenko, M., Bitterwolf, J.: Why ReLU networks yield high-confidence predictions far away from the training data and how to mitigate the problem. CoRR (2018). abs/1812.05720
Maag, K., Rottmann, M., Gottschalk, H.: Time-Dynamic Estimates of the Reliability of Deep Semantic Segmentation Networks. In: 2020 IEEE 32nd International Conference on Tools with Artificial Intelligence (ICTAI), S. 502–509 (2020)
Chan, R., Rottmann, M., Hüger, F., Schlicht, P., Gottschalk, H.: Application of decision rules for handling class imbalance in semantic segmentation. CoRR (2019). abs/1901.08394
Chan, R., Rottmann, M., Hüger, F., Schlicht, P., Gottschalk, H.: Controlled False Negative Reduction of Minority Classes in Semantic Segmentation. In: 2020 International Joint Conference on Neural Networks (IJCNN), S. 1–8 (2020)
Chen, L.-C., Zhu, Y., Papandreou, G., Schroff, F., Adam, H.: Encoder-Decoder with atrous separable convolution for semantic image segmentation. CoRR (2018). abs/1802.02611
Cordts, M., Omran, M., Ramos, S., Rehfeld, T., Enzweiler, M., Benenson, R., et al.: The cityscapes dataset for semantic urban scene understanding. CoRR (2016). abs/1604.01685
Shannon, C.E.: A mathematical theory of communication. Bell Syst. Tech. J. 27(3), 379–423 (1948)
Author information
Authors and Affiliations
Corresponding author
Editor information
Editors and Affiliations
Rights and permissions
Copyright information
© 2021 Der/die Autor(en), exklusiv lizenziert durch Springer-Verlag GmbH, DE, ein Teil von Springer Nature
About this paper
Cite this paper
Brüggemann, D. et al. (2021). Ansätze zur Verbesserung KI-basierter Systeme für das autonome Fahren. In: Leyendecker, B. (eds) Qualitätsmanagement in den 20er Jahren - Trends und Perspektiven. Springer Vieweg, Berlin, Heidelberg. https://doi.org/10.1007/978-3-662-63243-7_6
Download citation
DOI: https://doi.org/10.1007/978-3-662-63243-7_6
Published:
Publisher Name: Springer Vieweg, Berlin, Heidelberg
Print ISBN: 978-3-662-63242-0
Online ISBN: 978-3-662-63243-7
eBook Packages: Computer Science and Engineering (German Language)