文献类型：期刊文章

作　　者：王赞[1] 闫明[1] 刘爽[1] 陈俊洁[1] 张栋迪[1] 吴卓[2] 陈翔[3]

WANG Zan;YAN Ming;LIU Shuang;CHEN Jun-Jie;ZHANG Dong-Di;WU Zhuo;CHEN Xiang(College of Intelligence and Computing,Tianjin University,Tianjin 300350,China;International Engineering Institute,Tianjin University,Tianjin 300350,China;School of Information Science and Technology,Nantong University,Nantong 226019,China)

机构地区：[1]天津大学智能与计算学部,天津300350 [2]天津大学国际工程师学院,天津300350 [3]南通大学信息科学技术学院,江苏南通226019

出　　处：《软件学报》

基　　金：国家自然科学基金(61872263,61802275,71502125);天津市智能制造专项资金(20191012);天津大学自主创新基金(2019XZC-0073,2020XZC-0042)。

年　　份：2020

卷　　号：31

期　　号：5

起止页码：1255-1275

语　　种：中文

收录情况：AJ、BDHX、BDHX2017、CSCD、CSCD2019_2020、EI、IC、JST、MR、PROQUEST、RCCSE、SCOPUS、ZGKJHX、ZMATH、核心刊

摘　　要：随着深度神经网络技术的快速发展、大数据的涌现和计算能力的显著提升,深度神经网络被越来越多地应用到各个安全攸关领域,例如自动驾驶、人脸识别、飞机碰撞检测等.传统的软件系统通常由开发人员手工编写代码实现其内部的决策逻辑,并依据相应的测试覆盖准则设计测试用例来测试系统代码.与传统的软件系统不同,深度学习定义了一种新的数据驱动的编程范式,开发人员仅编写代码来规定深度学习系统的网络结构,其内部逻辑则由训练过程获得的神经元连接权值所决定.因此,针对传统软件的测试方法及度量指标无法直接被移植到深度神经网络系统上.近年来,越来越多的研究致力于解决深度神经网络的测试问题,例如提出新的测试评估标准、测试用例生成方法等.调研了92篇相关领域的学术论文,从深度神经网络测试度量指标、测试输入生成、测试预言这3个角度对目前已有的研究成果进行了系统梳理.同时,分析了深度神经网络测试在图像处理、语音处理以及自然语言处理上的已有成果,并介绍了深度神经网络测试中应用到的数据集及工具.最后,对深度神经网络测试的未来工作进行了展望,以期为该领域的研究人员提供参考.

关 键 词：深度神经网络  测试覆盖  测试用例生成

分 类 号：TP311]