为自动驾驶学习一种具有不确定性意识的目标检测器
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
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
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%。
Apr, 2018
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
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
本文提出了一种通过 LiDAR 点云估算边界框标签不确定性的生成模型,并定义了一种新的概率边界框表示方法,进而提出了一种基于 Jaccard IoU 的新的评价指标,该模型在 KITTI 和 Waymo Open 数据集上被证明是优于传统 IoU 的评价指标, 对于概率目标检测器的评估具有高度准确性。
Mar, 2020
应用于自动驾驶和手术机器人等许多安全关键应用中,从对象检测模块获取预测不确定性以帮助支持安全决策是可取的。本文中我们介绍了一种方法用于解决单个对象定位任务的边界框的不确定性问题。我们使用现有技术来校准回归模型,实验表明所得出的校准模型得到了更可靠的不确定性估计。
Nov, 2018
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
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