Autonomous vehicle accidents are occurring even up to a recent date due to abnormal behavior of nearby traffic-agents. Abnormal agents are identified by observing the ambiguous behavior of the agents before the actual abnormality. Therefore, to effectively prevent accidents, models should be trained with soft labels of ambiguous situations. However, existing anomaly datasets only contain hard labels, which can not imply the ambiguity of the actual scenarios. To fully utilize the small number of hard labeled ambiguous data, we propose a simple and effective semi-supervised approach, namely STADAS. Our STADAS exploits two regulatory signals from unlabeled data. One signal is the ambiguity soft label indicating the ambiguity of the unlabeled samples which is computed from the teacher model. With our novel Ambiguity loss, our model can properly understand and handle ambiguous situations. The other is the pseudo distance label which connotes information about the dynamics of a vehicle. We show that our method has impressive anomaly detection ability quantitatively and qualitatively. Quantitatively, ours outperforms other semi-supervised methods (e.g., pseudo label, mean-teacher) regarding ROC-AUC and F1 score. Moreover, ours has fewer false negatives than the supervised model. Qualitatively, ours can detect ambiguous situations that other methods could not properly detect.
최근까지도 인근 교통 에이전트의 비정상적인 행동으로 인한 자율 주행 자동차 사고가 발생하고 있다. 실제 이상이 발생하기 전에 에이전트의 모호한 행동을 관찰하여 비정상 에이전트를 식별한다. 따라서 사고를 효과적으로 예방하려면 애매한 상황에 대한 소프트 라벨을 사용하여 모델을 학습시켜야 합니다. 그러나 기존 비정상 데이터 세트에는 실제 시나리오의 모호성을 암시할 수 없는 하드 라벨로 구성되어 있습니다. 적은 수의 하드 레이블이 지정된 모호한 데이터를 최대한 활용하기 위해 간단하고 효과적인 준 지도 방식인 STADAS를 제안합니다. STADAS는 라벨이 없는 데이터에서 두 가지 규제 신호를 활용합니다. 하나의 신호는 티처 모델에서 계산된 샘플의 모호성을 나타내는 모호성 소프트 레이블입니다. 우리의 새로운 모호성 손실을 통해 우리 모델은 모호한 상황을 적절하게 이해하고 처리 할 수 있습니다. 다른 하나는 차량의 역학에 대한 정보를 나타내는 모조 거리 레이블입니다. 우리의 방법이 양적, 질적으로 인상적인 이상 탐지 능력을 갖추고 있음을 보여줍니다. 양적으로, 우리는 ROC-AUC 및 F1 점수와 관련하여 다른 준 지도 방법 (예 : Pseudo label, Mean teacher)을 능가합니다. 또한, 우리 모델은 감독 모델보다 거짓 음성이 적습니다. 질적으로, 우리는 다른 방법이 제대로 감지할 수 없는 모호한 상황을 감지 할 수 있습니다.
