Mar, 2019

BayesOD: 深度对象检测器中不确定性估计的贝叶斯方法

PDF
TL;DR本文提出 BayesOD，一种基于贝叶斯推断的物体探测的不确定性估计方法，旨在解决深度神经网络输出不确定性的缺陷，并在四个广泛使用的物体探测数据集上测试表明，BayesOD 提供更好地与探测准确性相关联的不确定性估计，表现为最小高斯误差度量上 9.77％-13.13％的显着降低以及最小分类不确定性误差度量上 1.63％-5.23％的降低。
发现论文，激发创造
  • 贝叶斯不确定性估计在离域物体检测中的应用

    基于预训练网络的提出高斯分布，通过权重参数抽样区分正常数据和超出分布的数据，证明我们的贝叶斯目标检测器在 BDD100k 和 VOC 数据集上的训练，并在 COCO2017 数据集上的评估中通过降低 FPR95 分数最多 8.19％和增加 AUROC 分数最多 13.94％来实现了令人满意的超出分布的辨别性能。

    Oct, 2023

  • 已知未知：贝叶斯神经网络中的不确定质量

    本文提出一种使用异常检测评估神经网络中不确定性质量的方法，通过从候选模型的预测中提取不确定性度量，将这些度量作为异常检测器的特征，并评估检测器区分已知类别和未知类别的能力。在 MNIST 和 CIFAR10 数据集上实验，比较了最大似然、贝叶斯随机失活、One-Sample 贝叶斯逼近和标准变分逼近等候选神经网络模型的表现，结果表明贝叶斯随机失活和 One-Sample 贝叶斯逼近提供了更好的不确定性信息，并且在 MNIST 上与标准变分逼近相当，但速度更快。

    Dec, 2016

  • 基于无锚点物体检测的定位不确定性估计

    本文提出了一种新的 UAD 方法，用于解决锚点法中现有不确定性评估方法的限制，通过在框偏移的四个方向（左、右、上、下）中捕获不确定性，一定程度上解决了现有方法中对异构目标性质的建模不准确、对误差的估计不准确等问题。

    Jun, 2020

  • 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

  • CertainNet: 无需采样的目标检测不确定性估计

    这篇论文提出了一种新的采样免费的不确定性估计方法，称为 CertainNet，旨在为自主驾驶对象检测中的物体性，类别，位置和大小提供分离的不确定性，该方法使用了一个不确定性感知的热图，并利用检测器提供的相邻边界框，同时也提出了一种评估位置和大小不确定性的新指标。

    Oct, 2021

  • 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

  • 基于贝叶斯近似的领域外检测分布校准

    本文提出了一种基于贝叶斯模型和 Monte-Carlo Dropout 技术的 OOD 检测框架，能够有效减少训练集和测试集分布的不匹配所导致的不确定性，从而提高 OOD 的 F1 得分。

    Sep, 2022

  • 基于贝叶斯深度学习组件的可靠自主系统

    本文介绍了一种方法，通过对 BDL 组件之间的不确定性和相互作用进行考虑来捕捉整个系统的不确定性，实验表明，该方法既能够捕捉有用的不确定性估计，同时又略微提高了自主航空导航系统的性能。此外，我们还讨论了采用 BDL 构建可靠自主系统的好处、挑战和影响。

    Jan, 2023

  • DOOBNet：图像深度目标遮挡边界检测

    本文提出了一种 Attention Loss 函数结合多任务深度对象遮挡边界检测网络，并采用编码器 - 解码器结构，通过共享卷积特征来同时预测对象边界和遮挡方向，大幅度提高了 PIOD 数据集和 BSDS 拥有数据集上的检测速度（每图像 0.037s）并显著超过了之前的最优结果（ODS F 分数分别为 0.702 和 0.555）。

    Jun, 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