Search-based DNN Testing and Retraining with GAN-enhanced Simulations

在安全关键系统（例如自动驾驶汽车和机器人）中，深度神经网络（DNN）正在成为计算机视觉任务，特别是语义分割的关键组件。此外，由于无法通过代码检查和分析来评估DNN的行为，测试自动化已成为获得DNN可靠性信心的重要活动。不幸的是，最先进的自动化测试解决方案在很大程度上依赖于模拟器，其准确性总是不完美，因此影响测试结果的有效性。为了解决这些限制，我们建议将元启发式搜索（用于使用模拟器探索输入空间）与生成对抗网络（GAN）相结合，将模拟器生成的数据转换为逼真的输入图像。这些图像既可以用于评估DNN性能，也可以更有效地重新训练DNN。我们将我们的方法应用于执行语义分割的最先进的DNN，并证明它优于最先进的基于GAN的测试解决方案和几个基线。具体而言，它导致了最多样化的图像，从而导致最差的DNN性能。此外，使用我们的方法生成的图像在用于重新训练时，导致DNN性能的最大提高。总之，我们建议在执行基于搜索和模拟器的测试时始终集成GAN组件。

如何提高深度神经网络的可靠性和准确性？

将元启发式搜索与生成对抗网络相结合，用于测试和重新训练深度神经网络，从而生成更真实的输入图像，提高测试的有效性和可靠性。

通过将元启发式搜索与生成对抗网络相结合，论文提出的测试方法在测试和重新训练深度神经网络时，生成更真实的输入图像，提高了测试的有效性和可靠性。实验结果表明，这种方法可以产生最多的多样化图像，从而导致最差的深度神经网络性能，同时也可以在重新训练时带来最大的性能提升。

与当前领域的研究相比，该论文提出的方法结合了元启发式搜索和生成对抗网络，用于测试和重新训练深度神经网络，从而提高了测试的有效性和可靠性。与之前的研究相比，该方法产生的图像更真实，同时在重新训练时也能够带来更大的性能提升。相关论文包括：《Generative Adversarial Networks》、《Deep Learning for Semantic Segmentation》等。