Mar, 2020

推测物体检测的空间不确定性

PDF
TL;DR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。
object detectionautonomous drivinglidargenerative modeljaccard iou
发现论文，激发创造
  • 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

  • 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

  • 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

  • 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

  • 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

  • 不确定性校准及其在物体检测中的应用

    本文讨论了使用现代神经网络进行多目标检测的方法，并考虑了该检测方法的不确定性。作者提出了一些对象定位的精度检测方法，并研究了对检测误差的影响。该文章还讨论了空间不确定性的问题，并介绍了一些校准方法。最后，作者结合以往方法，展示了在车辆自动驾驶等场景中实现定位校准的应用。

    Feb, 2023

  • 高斯边界框和概率交并比在目标检测中的应用

    本文探索一种使用高斯分布对物体区域进行模糊表示的方法，并提出了一种基于 Hellinger 距离的相似性度量方法，它可以被视为概率交集（ProbIoU），该方法在公开数据集中更接近于带注释的分割掩模。实验表明，基于 ProbIoU 的损失函数可以成功地用于回归高斯表示的参数，并且该论文提出了一种将传统（或旋转）边界框映射到高斯表示的简单映射方案。

    Jun, 2021

  • 目标定位任务中的不确定性校准

    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

  • 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

    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

  • 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