Vergleich der Robustheit von Deep-Learning-Architekturen für 3D-Objekterkennung: Ein Benchmarking-Ansatz

Abstract

In der Arbeit wird ein Benchmarking-Ansatz vorgestellt, mit dem sich die Robustheit verschiedener neuronaler Netze vergleichen lässt. Dafür werden Punktwolken gezielt transformiert, beispielsweise durch Rotation, Skalierung und Translation. Zusätzlich werden die Punktwolken durch eine realitätsnahe Variante und eine Variante mit voller Punktierung unterschieden. Daraus resultieren die Kategorien als Grundlage für den Benchmark. Außerdem besteht der Datensatz aus unterschiedliche Objektklassen des Anwendungsbereichs autonomes Fahren. Schließlich werden mehrere Modelle mit dem Benchmark getestet, um Stärken und Schwächen in der Robustheit zu identifizieren. Die Ergebnisse können genutzt werden, um Modellarchitekturen für die Objekterkennung, anhand ihrer Robustheit, ein Potenzial auszusprechen.