Název:	Neural Criticality Metric for Object Detection Deep Neural Networks
Autoři:	Diviš, Václav Schuster, Tobias Hrúz, Marek
Citace zdrojového dokumentu:	DIVIŠ, V. SCHUSTER, T. HRÚZ, M. Neural Criticality Metric for Object Detection Deep Neural Networks. In Computer Safety, Reliability and Security, SAFECOMP 2022 Workshops. BERLIN: SPRINGER-VERLAG BERLIN, 2022. s. 276-288. ISBN: 978-3-031-14861-3 , ISSN: 0302-9743
Datum vydání:	2022
Nakladatel:	SPRINGER-VERLAG BERLIN
Typ dokumentu:	konferenční příspěvek ConferenceObject
URI:	2-s2.0-85138995786 http://hdl.handle.net/11025/51464
ISBN:	978-3-031-14861-3
ISSN:	0302-9743
Klíčová slova v dalším jazyce:	DNN safety;Object detection;Neural criticality
Abstrakt v dalším jazyce:	The complexity of state-of-the-art Deep Neural Network (DNN) architectures exacerbates the search for safety relevant metrics and methods that could be used for functional safety assessments. In this article, we investigate Neurons' Criticality (the ability to affect the decision process) for several object detection DNN architectures. As a first step, we introduce the Neural Criticality metric for object detection DNNs and set a theoretical background. Subsequently, by conducting experiments, we verify that removing one neuron from the computational graph of a DNN can have a significant (positive, as well as negative) influence on the prediction's precision (object classification and localization). Finally, we build statistics for each neuron from pre-trained networks on the COCO object detection validation dataset and examine the network stability for the most critical neurons in order to prove our metric's validity.
Práva:	Plný text je přístupný v rámci univerzity přihlášeným uživatelům. © The Author(s), under exclusive licence to Springer Nature B.V.
Vyskytuje se v kolekcích:	Konferenční příspěvky / Conference papers (NTIS) Konferenční příspěvky / Conference Papers (KKY) OBD

Všechny záznamy v DSpace jsou chráněny autorskými právy, všechna práva vyhrazena.