ECCVAug, 2020

标签不完美：通过标签不确定性提高概率目标检测

PDF
TL;DR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%。
uncertainty estimationobject detectionlidarlabel uncertaintykitti dataset
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

  • 推测物体检测的空间不确定性

    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

  • 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

  • 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

  • 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

  • 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

  • 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

  • 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

  • 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

  • 非所有面都平等：半监督 3D 目标检测的定位不确定性估计

    用于半监督三维物体检测的侧面感知框架，通过三个关键设计（三维边界框参数化方法、不确定性估计模块和伪标签选择策略）共同工作，显式地估计每个侧面的定位质量并在训练阶段分配不同级别的重要性，实验证明这种方法能在不同场景和评估指标下始终优于基准模型。此外，我们的方法在三个具有不同标记比例的数据集上达到了最先进的性能。

    Dec, 2023