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。
文章预览
Abstract 度学习模型在自动驾驶感知中至关重要，但其可靠性面临着算法限制和硬件故障的挑战。我们通过研究语义分割模型的容错性来应对后者。使用已有的硬件故障模型，我们在准确性和不确定性方面评估了现有的加固技术，并引入了一种名为ReLUMax的新型激活函数，旨在增强模型对瞬态故障的抵抗力。ReLUMax可以无缝集成到现有架构中，并且不会产生时间开销。我们的实验表明，ReLUMax有效提高了鲁棒性，保持了模型性能并提升了预测的置信度，从而为开发可靠的自动驾驶系统做出了贡献。 代码可在以下链接获取：https://github.com/iurada/neutron-segmentation 欢迎加入自动驾驶实战群 Introduction 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尤为重要，特别是对高级驾驶辅助系统（ADAS）来说，它们必须符合ISO 26262等功能安全
………………………………
