24、交通领域可靠性分析与脑负荷预测研究

交通领域可靠性分析与脑负荷预测研究

1 语义分割模型的不确定性量化

在涉及语义分割应用的安全关键场景中，不确定性量化研究对于可靠决策至关重要。这里介绍了一种名为 EviSeg 的方法，用于量化语义分割模型中的预测不确定性，该方法基于 Dempster - Shafer 理论的证据分类器框架开发。

1.1 方法步骤

1. 确认适用性 ：肯定证据分类器适用于用于语义分割的全卷积网络（FCN）模型。
2. 实施量化 ：将样本特征和模型参数视为多源证据，并使用 Dempster 规则组合提取的证据。

1.2 实验验证

在 CamVid 数据集上的初步实验验证了该方法的有效性。结果表明，所提出的不确定性指标对与安全高度相关的类别（如行人和骑自行车的人）分配了更大的不确定性，这可能有助于制定面向安全的决策策略。

1.3 优势特点

该方法不需要修改语义分割模型的网络结构、训练过程或损失函数，这种外部的不确定性估计方法不会牺牲模型性能。此外，与基线方法相比，计算开销的减少使该方法在实时应用中具有很大潜力。以下是不同不确定性指标的 CPU 时间消耗表格：
| 不确定性指标 | CPU 时间 |
| — | — |
| 冲突（Conflict） | 0.91 s |
| 方差（Variance） | 4.91 s |
| 互信息（MI） | 12.33 s |

2 基于多生理信号的高铁调度指挥人员可靠性研究

<