Квантифікація та подолання розриву у достовірності: підхід на основі вирішальних ознак для порівняння синтетичних та реальних зображень

Автори: Danial Safaei, Siddartha Khastgir, Mohsen Alirezaei, Jeroen Ploeg, Son Tong, Xingyu Zhao

Опубліковано: 2025-12-18

Переглянути на arXiv →
#cs.AI

Анотація

Віртуальне тестування із синтетичними даними є критично важливим для безпеки автономних транспортних засобів, але достовірність на рівні пікселів не гарантує перенесення в реальний світ. Ця стаття представляє Decisive Feature Fidelity (DFF), метрику, специфічну для тестованої системи (SUT), яка використовує пояснювальний ШІ для порівняння причинних доказів, що керують рішеннями в реальних та синтетичних доменах, та пропонує схему калібрування на основі DFF для підвищення достовірності симулятора.

Квантифікація та подолання розриву у достовірності: підхід на основі вирішальних ознак для порівняння синтетичних та реальних зображень

Автори: Danial Safaei, Siddartha Khastgir, Mohsen Alirezaei, Jeroen Ploeg, Son Tong, Xingyu Zhao

Опубліковано: 2025-12-18

Переглянути на arXiv →
#cs.AI

Анотація

Віртуальне тестування із синтетичними даними є критично важливим для безпеки автономних транспортних засобів, але достовірність на рівні пікселів не гарантує перенесення в реальний світ. Ця стаття представляє Decisive Feature Fidelity (DFF), метрику, специфічну для тестованої системи (SUT), яка використовує пояснювальний ШІ для порівняння причинних доказів, що керують рішеннями в реальних та синтетичних доменах, та пропонує схему калібрування на основі DFF для підвищення достовірності симулятора.

FEEDBACK

Проекти

Немає проектів

Квантифікація та подолання розриву у достовірності: підхід на основі вирішальних ознак для порівняння синтетичних та реальних зображень | ArXiv Intelligence