ReLU再进化ReLUMax：自动驾驶的瞬态容错语义分割

主要观点总结

本文研究了自动驾驶感知中的语义分割模型的容错性问题，引入了一种新型的激活函数ReLUMax来提高深度神经网络的容错能力。通过实验评估，ReLUMax在模拟硬件瞬态故障的情况下，显著提高了模型的鲁棒性，并保持了高准确性。

关键观点总结

关键观点1: 自动驾驶感知中语义分割模型的容错性挑战

自动驾驶汽车在感知和导航复杂环境方面面临重大挑战，可靠的场景识别模型对高级驾驶辅助系统（ADAS）尤为重要。深度学习在障碍物检测和交通标志识别等方面取得了进展，但算法的鲁棒性和硬件的鲁棒性仍是难题。

关键观点2: 瞬态硬件故障对自动驾驶的影响

硬件的瞬态故障可能导致比特翻转错误，进而在自动驾驶车辆中做出潜在致命决策。研究解决了语义分割任务中的这一硬件脆弱性，语义分割是自动驾驶场景解读中的关键任务。

关键观点3: 现有方法的局限性及ReLUMax的提出

现有方法在处理深度神经网络中的故障时存在局限性，如基于每层神经元值的上限设置、使用ReLU6激活函数等。研究提出了ReLUMax激活函数，它在训练过程中动态计算每个特征图的最佳剪辑值，以提高语义分割中深度神经网络的容错性。

关键观点4: ReLUMax的实验评估

实验结果表明，ReLUMax在模拟硬件瞬态故障的情况下，与现有方法相比，显著提高了语义分割的准确性和鲁棒性，并呈现出较高的模型置信度。

关键观点5: 本文的主要贡献

本文首次针对自动驾驶的基于深度学习的语义分割进行容错分析，并引入了一种新加固技术。通过利用基于物理实验获得的故障模型，本文提出了激活函数ReLUMax，该激活函数允许在训练阶段进行监控，并在推理时进行修正且不产生延迟。