Eloss in the way: インテリジェントドライブ向けの感受性のある入力品質メトリクス

交通環境の複雑化が進む中、自動運転における安全な環境認識の重要性はますます高まっている。従来の自動運転のロバストな認識手法は、異常データを用いたモデルの学習に注力しており、深層ニューラルネットワークに異常の対処方法を自主的に判断させることを目的としている。しかし、こうしたモデルは多様で複雑な現実世界の環境に対して滑らかに適応できないという課題がある。本論文では、新たな指標「Eloss」と、異常検出の観点から認識モデルを強化するための革新的な学習戦略を提案する。Elossは、認識モデルの情報圧縮層の動作原理に基づいて設計されたものであり、通信システムの設計思想を参考に、情報圧縮ネットワークにおける情報伝送プロセスには以下の2つの期待が存在する：情報量の変化が安定しており、情報エントロピーが継続的に低下すること。これらの期待に基づき、Elossが導出され、関連するネットワークパラメータの更新をガイドする。これにより、モデルの性能を維持しつつ、異常を敏感に検出可能な指標を実現する。実験の結果、異常データに対してElossは標準値から100倍以上に乖離し、類似したが異なる種類の異常に対しても明確に区別可能な値を示すことが確認された。これにより、本手法の有効性が示された。本研究のコードは、論文が採択された後に公開される予定である（コードは論文採択後公開）。