💻 computer science

Explainable Part-Based Vehicle Classifier with Spatial Awareness

Dit artikel presenteert een verbeterd verklaarbaar voertuigclassificatiesysteem dat ruimtelijke waarschijnlijkheidskaarten van voertuigonderdelen integreert in een besluitboomframework, waarbij een nauwkeurigheid wordt bereikt die vergelijkbaar is met die van de meest geavanceerde CNN's, terwijl de robuustheid tegen valse detecties en de modelinterpreteerbaarheid aanzienlijk worden verbeterd.

Oorspronkelijke auteurs: Andreas Caduff (Competence Center for Intelligent Sensors and Networks, Lucerne University of Applied Science and Art), Klaus Zahn (Competence Center for Intelligent Sensors and Networks, Lucerne Univ

Gepubliceerd 2026-05-12

📖 5 min leestijd🧠 Diepgaand

CC BY 4.0

Oorspronkelijke auteurs: Andreas Caduff (Competence Center for Intelligent Sensors and Networks, Lucerne University of Applied Science and Art), Klaus Zahn (Competence Center for Intelligent Sensors and Networks, Lucerne University of Applied Science and Art), Jonas Hofstetter (Competence Center for Intelligent Sensors and Networks, Lucerne University of Applied Science and Art), Martin Rechsteiner (Competence Center for Intelligent Sensors and Networks, Lucerne University of Applied Science and Art), Patrick Flaig (SICK AG)

Oorspronkelijk artikel gelicentieerd onder CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Dit is een AI-gegenereerde uitleg van het onderstaande artikel. Het is niet geschreven of goedgekeurd door de auteurs. Raadpleeg het oorspronkelijke artikel voor technische nauwkeurigheid. Lees de volledige disclaimer

Stel je voor dat je probeert een voertuig te identificeren in een drukke verkeerscamera-feed. Je hebt twee hoofdmanieren om dit te doen:

De "Black Box"-methode (Traditionele AI): Je voert de hele afbeelding in bij een superintelligente computerhersenen (een Convolutional Neural Network of CNN). Het kijkt naar de afbeelding en schreeuwt direct: "Dat is een vrachtwagen!" of "Dat is een bestelbus!" Het is ongelooflijk snel en nauwkeurig, maar als je vraagt waarom het die keuze heeft gemaakt, kan het je dat niet echt vertellen. Het is als een goochelaar die een konijn uit een hoed tovert, maar je de truc niet laat zien.
De "Detective"-methode (De aanpak van dit paper): In plaats van naar het hele plaatje tegelijk te kijken, brek je het voertuig op in zijn puzzelstukken. Je zoekt naar specifieke onderdelen: wielen, de voorcabine, de laadbak, het dak. Vervolgens gebruik je een eenvoudig, logisch regelboek (zoals een flowchart) om te beslissen wat het voertuig is, gebaseerd op welke stukken je hebt gevonden.

Het probleem met de eerste "Detective"-poging
De auteurs hadden eerder een "Detective"-systeem gebouwd dat goed werkte, maar het had een dodelijk gebrek: het was te star. Het maakte "harde" ja-of-nee-beslissingen.

De analogie: Stel je een bewaker voor die een lijst controleert. Als de lijst zegt "Moet 4 wielen hebben", en de camera mist één wiel vanwege een schaduw, zegt de bewaker direct: "Geen auto!" en stopt met kijken. Zelfs als de rest van de auto duidelijk zichtbaar is, faalt het systeem.
In hun oude systeem, als de camera een klein foutje maakte (zoals het zien van een schaduw als een wiel, of het missen van een echt wiel), stortte de hele classificatie in. Het was als een huis van kaarten; één verkeerde zet en het hele ding viel om.

De nieuwe oplossing: "Ruimtelijk bewustzijn"
In dit nieuwe paper hebben de auteurs hun Detective-systeem opgewaardeerd tot "Ruimtelijk bewustzijn".

In plaats van alleen te vragen: "Zie ik een wiel? Ja/Nee", vraagt het nieuwe systeem: "Waar is het wiel, en maakt die locatie zin voor een Vrachtwagen?"

De kaart-analogie: Stel je voor dat je een persoon probeert te identificeren aan de hand van hun kenmerken.
- Oude manier: "Ik zie een hoed. Ik zie schoenen. Daarom is het een brandweerman." (Als je een hoed en schoenen op een hond ziet, kun je verward raken).
- Nieuwe manier: "Ik zie een hoed bovenop een hoofd, en schoenen aan de onderkant van benen. De afstand tussen de hoed en de schoenen komt overeen met een mens. Daarom is het een brandweerman."

Het nieuwe systeem creëert een "waarschijnlijkheidskaart". Het weet dat voor een specifiek type vrachtwagen de wielen zouden moeten zitten in een bepaald gebied ten opzichte van de cabine. Als de camera een "wiel" ziet op een rare plek (zoals zwevend in de lucht), raakt het systeem niet in paniek. Het zegt: "Die detectie staat vreemd, dus ik geef het een lage score, maar ik zal nog steeds kijken naar de andere onderdelen."

Hoe het werkt (De simpele stappen)

Het Oog (Detector): Een slimme camera (YOLO) scant de afbeelding en vindt onderdelen zoals "Wiel", "Vrachtwagencabine" of "Laadbak". Het geeft ze een locatie en een betrouwbaarheidsscore.
Het Brein (Ruimtelijke logica): In plaats van alleen onderdelen te tellen, controleert het systeem de geometrie. Het berekent: "Als dit een vrachtwagen is, zou de cabine hier moeten zitten en de wielen daar." Het gebruikt een wiskundig hulpmiddel genaamd Softmax-regressie om al deze aanwijzingen samen te wegen.
- Als een aanwijzing op de juiste plek zit, krijgt het een grote "stem" voor dat voertuigtype.
- Als een aanwijzing op de verkeerde plek zit, krijgt het een kleine stem of wordt het genegeerd.
Het Vonnis (Classificatie): Het systeem telt alle gewogen stemmen op en kiest het voertuigtype met de hoogste totaalscore.

Waarom dit een grote zaak is

Robuustheid (De "ruis"-filter): Het paper bewijst dat zelfs als de camera fouten maakt (een schaduw zien als een wiel, of een wiel missen), het nieuwe systeem niet crasht. Omdat het kijkt naar de relatie tussen onderdelen, kan het de slechte aanwijzingen negeren en toch het juiste antwoord krijgen. Het oude systeem zou volledig falen bij deze fouten; het nieuwe blijft kalm en nauwkeurig.
Uitlegbaarheid (Het "Waarom"): Omdat het systeem werkt door specifieke onderdelen en hun locaties te controleren, kunnen we eigenlijk zien waarom het een beslissing heeft genomen. We kunnen zeggen: "Het noemde dit een vrachtwagen omdat het hier een cabine zag en daar wielen." Dit verwijdert het "Black Box"-mysterie.
Eenvoudige updates: Als er een nieuw type voertuig verschijnt (zoals een nieuw type elektrische vrachtwagen), hoef je de hele supercomputerhersenen niet opnieuw te trainen. Je leert het systeem gewoon de nieuwe "onderdelen" en update het regelboek.

De resultaten
De auteurs testten dit tegen de "Black Box"-AI en hun eigen oude "Starre" systeem.

Nauwkeurigheid: Het nieuwe systeem is net zo nauwkeurig als de superintelligente Black Box-AI (ongeveer 98,6% nauwkeurigheid).
Betrouwbaarheid: Toen ze opzettelijk de detectie van de camera verstoorden (het zeer gevoelig maakten voor vals alarm), daalde de nauwkeurigheid van het oude systeem naar 93%. Het nieuwe systeem bleef op 98,6%.
Snelheid: Het is iets langzamer dan de Black Box-AI (25 milliseconden versus 7 milliseconden), maar nog steeds snel genoeg voor real-time verkeersbewaking.

In het kort
De auteurs hebben een complexe, niet-uitlegbare AI opgebroken in een logisch, op onderdelen gebaseerd systeem. Door het systeem te leren begrijpen waar onderdelen ten opzichte van elkaar horen (ruimtelijk bewustzijn), hebben ze een voertuigclassificatie gecreëerd die net zo slim is als de "Black Box", maar ook transparant, uitlegbaar en veel moeilijker te misleiden door camerafouten. Ze hebben bewezen dat je niet hoeft te kiezen tussen nauwkeurig zijn en begrijpelijk zijn.

Technische Samenvatting: Verklaarbare Deelgebaseerde Voertuigclassificatie met Ruimtelijk Bewustzijn

Probleemstelling

Intelligente Vervoerssystemen (ITS) vereisen gedetailleerde voertuigclassificatie om tolheffing te beheren, verkeersstromen te optimaliseren en de veiligheid te verbeteren. Hoewel state-of-the-art Convolutionele Neurale Netwerken (CNN's) een hoge nauwkeurigheid bereiken, staan ze in de praktijk voor twee kritieke beperkingen bij de implementatie in ITS:

Gebrek aan Verklaarbaarheid: CNN's functioneren als "black boxes", waardoor het moeilijk is om misclassificaties te begrijpen, te diagnosticeren of te onderdrukken.
Ondeelsbaarheid: Het aanpassen van bestaande categorieën of het toevoegen van nieuwe categorieën vereist doorgaans het opnieuw trainen van het volledige netwerk, wat inefficiënt is en vatbaar voor catastrofaal vergeten.

Vorig werk van de auteurs bood een oplossing voor deze problemen door het classificatieproces te ontleden in een CNN-gebaseerde deeldetector, een fase voor kenmerkconstructie en een beslissingsboom-classificator. Deze initiële aanpak leed echter onder een aanzienlijk nadeel: gevoeligheid voor valse deeldetecties. Omdat de beslissingsboom steunde op harde binaire beslissingen (deel aanwezig/afwezig), kon zelfs één enkele valse positieve of valse negatieve detectie de classificator dwingen een verkeerd beslissingspad te volgen, wat de algehele nauwkeurigheid drastisch verlaagde (van 98,5% naar <93% onder gesimuleerde ruis).

Methodologie

Het artikel stelt een verbeterd deelgebaseerd classificatiekader (v2) voor dat ruimtelijk bewustzijn van voertuigdelen integreert om de robuustheidsproblemen van het vorige op beslissingsbomen gebaseerde model (v1) te overwinnen. De werkstroom bestaat uit drie hoofdfasen:

1. Preprocessing en Deeldetectie

Preprocessing: Afbeeldingen ondergaan een homografie-transformatie om het zijvlak van het voertuig uit te lijnen met de beeldsensor, waardoor meetkundige consistentie wordt gewaarborgd over verschillende cameraview's.
Deeldetectie: Een state-of-the-art YOLOv5-detector identificeert 16 semantisch sterke voertuigdelen (bijv. wielen, truckcabines, laadtypes) en geeft bounding boxes, betrouwbaarheidsscores en deelcategorieën uit.

2. Kenmerkconstructie met Ruimtelijk Bewustzijn

In tegenstelling tot de vorige aanpak die binaire kenmerken gebruikte, construeert de nieuwe methode ruimtelijke waarschijnlijkheidskaarten voor elk deel ten opzichte van specifieke voertuigcategorieën.

Locatiescore ( $L^k_i$ ): Voor elke gedetecteerde deelinstantie $i$ op locatie $x^{(i)}$ wordt een locatiescore berekend voor elke mogelijke kenmerk $k$ (een combinatie van een deel en een voertuigcategorie). Deze score vertegenwoordigt de waarschijnlijkheid van de aanwezigheid van het deel op die locatie voor die categorie. Deze wordt gemodelleerd met een niet-genormaliseerde Gaussische kernfunctie die via Gaussische Mixture Modellen (GMM's) is aangepast aan trainingsdata.
Deelscore ( $P_k$ ): De uiteindelijke kenmerkscore wordt afgeleid door de locatiescore te vermenigvuldigen met de betrouwbaarheidsscore van de detector, te sommeren over alle instanties die bijdragen aan kenmerk $k$ , en te normaliseren door het verwachte aantal detecties.
$P_k = \frac{1}{n^{exp}_k} \sum_{j=1}^{n^{det}_k} s_i L^k_i$
Dit proces stelt het systeem in staat om om te gaan met meerdere deelinstanties (bijv. meerdere wielen) en mitigeert de impact van individuele valse detecties door gebruik te maken van de collectieve ruimtelijke verdeling.

3. Classificatie via Softmax-regressie

De vector van deelscores ( $P_k$ ) wordt ingevoerd in een Softmax-regressie-classificator.

Deze lineaire classificator mappet de ruimtelijk-bewuste kenmerken direct naar de 19 gedetailleerde voertuigcategorieën.
In tegenstelling tot de sequentiële beslissingsboom, verwerkt deze aanpak alle kenmerken parallel, waarbij gebruik wordt gemaakt van de volledige ruimtelijke relatie van delen om de uiteindelijke klassenwahrscheinlijkheden te bepalen.

Belangrijkste Bijdragen

Integratie van Ruimtelijk Bewustzijn: De auteurs breiden hun eerdere deelgebaseerde aanpak uit door ruimtelijke waarschijnlijkheidskaarten voor voertuigdelen op te nemen, wat de robuustheid tegen valse detecties aanzienlijk verbetert zonder de nauwkeurigheid te offeren.
Gebalanceerde Prestaties: De voorgestelde methode bereikt een nauwkeurigheid die vergelijkbaar is met state-of-the-art end-to-end CNN's, terwijl verklaarbaarheid (via zichtbare deelscores en lineaire gewichten) en uitbreidbaarheid (nieuwe klassen kunnen worden toegevoegd door de kenmerklijst uit te breiden zonder de zware deeldetector opnieuw te trainen) behouden blijven.
Uitgebreide Validatie: Het artikel presenteert de grootste studie tot nu toe over gedetailleerde voertuigdetectie (19 categorieën, 16 delen) met grondige validatie in een praktische toepassingscontext, inclusief een gedetailleerd proces voor datasetvoorbereiding met semi-automatische annotatie.

Resultaten

De studie gebruikte een dataset van 4.779 afbeeldingen die 19 gedetailleerde voertuigcategorieën en 16 geannoteerde delen bestrijken. De prestaties werden geëvalueerd met 5-voudige kruisvalidatie tegen een baseline VGG-type CNN en de eerdere beslissingsboom-aanpak van de auteurs.

Nauwkeurigheid: De Softmax-regressie-aanpak bereikte een totale nauwkeurigheid van 98,6%, vergelijkbaar met de baseline CNN (98,3%) en de eerdere beslissingsboom-methode (98,5%). De nauwkeurigheid per individuele categorie lag over het algemeen boven de 92%, met uitzondering van de zeldzame categorie "Trekkers met aanhanger" (79%).
Robuustheid: Een cruciale bevinding was de veerkracht tegen valse deeldetecties. Toen de betrouwbaarheidstheolds van de deeldetector werd verlaagd van 0,5 naar 0,001 (wat extreme valse positieven simuleerde):
- Daalde de nauwkeurigheid van de Beslissingsboom naar 92,9%.
- Hield de Softmax-regressie-aanpak een nauwkeurigheid van 98,6% (met behoud van betrouwbaarheidsscores) of 98,0% (met aangepaste scores), wat een bijna ongevoeligheid voor detectieruis aantoont.
Verklaarbaarheid: Het model maakt visualisatie mogelijk van welke gedetecteerde delen een classificatie versterken of verzwakken (bijv. het identificeren dat een misclassificatie werd veroorzaakt door een hoge trog die werd verward met een kubusvormige lading), een mogelijkheid die moeilijk te bereiken is met black-box CNN's.
Efficiëntie: De deelgebaseerde aanpak is trager dan de baseline CNN (ongeveer 25 ms versus 7 ms op een ingebouwd platform), maar blijft geschikt voor real-time ITS-toepassingen.

Betekenis en Beweringen

Het artikel beweert dat dit onderzoek een aanzienlijke vooruitgang betekent in de voertuigclassificatie voor ITS door de vermeende afweging tussen nauwkeurigheid en verklaarbaarheid succesvol uit te dagen.

De auteurs stellen dat hun methode een kader biedt dat:

Het classificatieproces ontknoopt in interpreteerbare componenten (deeldetectie, ruimtelijke kenmerkconstructie en lineaire classificatie).
Uitbreidbaarheid garandeert, waardoor nieuwe voertuigcategorieën kunnen worden toegevoegd zonder de intensieve deeldetector volledig opnieuw te hoeven trainen.
Robuustheid levert, waardoor het systeem levensvatbaar is voor real-world toepassingen waar detectieruis onvermijdelijk is.

Het werk wordt gepresenteerd als een stap richting systemen die hoge nauwkeurigheid combineren met intuïtieve interpreteerbaarheid, en bieden een praktisch alternatief voor black-box deep learning-modellen in veiligheidskritieke vervoersomgevingen.