Apr, 2018

面向安全自主驾驶：捕获深度神经网络中激光雷达三维车辆检测的不确定性

PDF
TL;DR为了保证自动驾驶汽车在公共道路上行驶安全，本文提出了一种基于 Lidar 点云的三维汽车探测器的概率检测方法，可以可靠地表示分类和定位任务中的外在和内在不确定性，并通过建模内在不确定性来提高检测精度 1％- 5％。
发现论文，激发创造
  • 自动驾驶概率物体检测器的校准 —— 我们能信任你吗？

    本文提出三种实用方法，旨在显著减少激光雷达 3D 物体检测网络中不确定性的估计误差，以达到更加准确的不确定性校准，从而最大程度地提高安全性。

    Sep, 2019

  • 为自动驾驶学习一种具有不确定性意识的目标检测器

    本文提出了一种方法，通过考虑地面真实标定数据中的潜在噪声，改善学习概率分布的能力，从而提高自动驾驶探测器的准确性和物体检测性能。

    Oct, 2019

  • 利用异方差随机不确定性实现鲁棒的实时激光雷达三维物体检测

    该研究提出了利用异方差不确定性的鲁棒的实时 LiDAR 3D 物体检测器，其多损失函数设计了不确定性预测，使网络忽略嘈杂的样本并专注于信息性的样本，超过基线方法近 9％的平均精度。此外，该方法在只需要 72 毫秒的推理时间内，在 KITTI 物体检测基准上产生了最先进的结果，对于自动驾驶应用非常理想。

    Sep, 2018

  • 自动驾驶中概率目标检测的综述和比较研究

    这篇论文对深度学习中目标检测中的不确定性估计进行了综述和比较研究，着重关注了自动驾驶应用中的概率物体检测方法，提供了用于公共数据集的显式比较研究，并讨论了该领域面临的挑战和未来工作。

    Nov, 2020

  • 单阶段目标检测中的不确定性估计

    本文提出一种有效的方法，可以在一阶段目标检测器中同时估计不确定性和改善检测性能，应用于智能车辆的环境感知任务中的物体检测。实验结果表明我们的系统所输出的不确定性程度与检测准确度和行人遮挡水平有关。

    May, 2019

  • 基于深度学习的环境感知中的不确定性量化

    本研究提出了一种基于深度学习的新方法，通过考虑预测中的不确定性来感知车辆环境，对车辆环境进行了等大小单元格的分割并进行了逐个分类，证明预测结果的不确定性与其精度相关，相比之前的概念，展示了更优秀的表现展示了更优秀的表现。

    Jun, 2023

  • 在多层网格地图中捕捉物体检测的不确定性

    该研究提出了一种基于深度卷积对象检测器的自动驾驶应用程序，该检测器还估计了每个检测到的对象的分类、姿态和形状不确定性。

    Jan, 2019

  • 标签不完美：通过标签不确定性提高概率目标检测

    本研究利用以前方法估计地面真实边框参量的不确定性来改进激光雷达概率目标检测器的检测准确性。实验结果表明，我们的方法在平均精度方面比基线模型和基于简单启发式方法的模型提高了高达 3.6%。

    Aug, 2020

  • 半局部三维车道检测及不确定性估计

    本文提出基于相机的 DNN 三维车道检测新方法，采用 BEV 矩形划分道路，结合深度特征嵌入建立车道段的参数模型和聚类方法实现道路的检测，尤其针对复杂的车道几何结构和曲率，同时输出一个基于学习的检测不确定性评估，实验证明效果显著。

    Mar, 2020

  • 标签并不完美：推断目标检测中的空间不确定性

    依据生成模型从 LiDAR 点云中推断出边界框标签的不确定性，并通过空间不确定度分布定义了概率边界框的新表示，提出了一种新的评价指标 Jaccard IoU (JIoU)，并应用于几个基于 LiDAR 的目标检测器的深入比较中，并将提出的标签不确定性结合到损失函数中，以训练概率目标检测器并提高其检测精度。

    Dec, 2020