Verbesserung der Sicherheit der UAV-Objekterkennung: Ein neuartiger OOD-Algorithmus zur Filterung von Vorhersageunsicherheiten im Tiefflugluftraum

Mit der rasanten Entwicklung der KI-Technologie im Tiefflugbereich ist die Vorhersageunsicherheit von ML-Modellen, insbesondere von Objekterkennungsmodellen, zu einem entscheidenden Engpass geworden, der ihre Lufttüchtigkeit und sichere Einsatzfähigkeit einschränkt. Ein typisches Erscheinungsbild ist, dass Objekterkennungsmodelle bei Testproben in offenen Weltszenarien eine übermäßige Sicherheit in Fehlvorhersagen zeigen. Um dieses Problem anzugehen, schlägt dieses Papier einen Anomalie-Bewertungsalgorithmus für die Out-of-Distribution (OOD)-Auswertung basierend auf erweiterten tiefen Netzwerkfeatures vor, genannt PCA-HBOS. Durch die Integration der hochdimensionalen semantischen Merkmale, die von tiefen Netzwerken extrahiert werden, kann der Algorithmus Probenverteilungen bewerten und somit sowohl in-Verteilungs- als auch Out-of-Distribution-Proben identifizieren. Durch Vergleiche mit den gängigen OOD-Algorithmen wird die Überlegenheit von PCA-HBOS in Tiefflugszenarien validiert. Experimentelle Ergebnisse auf drei multi-sensorischen