公开(公告)号：CN118551822A

公开(公告)日：2024-08-27

申请号：CN202410623152.0

申请日：2024-05-20

Applicant: 西安邮电大学

Inventor： 孙家泽 ,  李楠 ,  马鲜艳 ,  王春梅 ,  别云龙

IPC: G06N3/086 ,  G06N3/0464 ,  G06V10/774 ,  G06V10/776 ,  G06V10/82

Abstract: 本发明公开了一种基于多目标优化的深度神经网络测试样本选择方法，属于人工智能测试领域，具体涉及从深度神经网络图像分类数据集中优先选择具有高故障检测能力的测试样本集合，其特征是首先随机初始化测试个体种群，然后基于测试个体的不确定性分数和几何多样性分数引导多目标优化搜索，通过选择、交叉、变异等策略迭代选择出具有高故障检测能力的测试样本集合。主要解决目前深度神经网络测试中测试样本故障行为重复，且由于人工标记测试样本导致测试成本昂贵的问题，从而在有限测试资源下，揭示深度神经网络模型中最大数量的不同故障测试样本，增强深度神经网模型的预测准确性。

公开(公告)号：CN117152550A

公开(公告)日：2023-12-01

申请号：CN202310354927.4

申请日：2023-04-04

Applicant: 西安邮电大学

Inventor： 孙家泽 ,  李楠 ,  马鲜艳 ,  王小银 ,  李娟

IPC: G06V10/774 ,  G06V10/762 ,  G06V10/82 ,  G06N3/04 ,  G06N3/08

Abstract: 本发明公开了一种面向自动驾驶系统的神经元覆盖引导式测试方法，属于人工智能测试领域，具体涉及到自动驾驶系统测试中大规模高质量的测试样本严重稀缺的问题，其特征是根据图像斑点信息对自动驾驶系统采集的原始测试样本聚类，筛选出等量种子样本，然后以最大化神经元覆盖率和使得系统预测不一致为目标，将在原始测试用例上的修改转化为一个优化问题，并采用梯度上升法求解，自动生成出容易使系统输出错误且神经元覆盖率高的测试用例集，最后重新输入至自动驾驶模型中训练，主要解决目前自动驾驶系统中测试用例不足，且存在神经元覆盖率低、耗时长等问题，从而挖掘出更多自动驾驶软件不合理的系统缺陷，减少测试损耗，增强系统模型的预测准确率。