ICLRJan, 2021

深度目标检测器中回归预测不确定性的估计与评估

PDF
TL;DR本研究旨在估计具有方差网络的边界框回归输出的预测分布，使用 proper scoring rules 训练 variance networks 可以产生更好的预测分布，虽然变量网络可以用于生成高质量的预测分布，但我们的提议可帮助将基于规范分布模型的预测不确定性评估与其他机器学习领域的预测评估对齐。
predictive uncertaintydeep object detectorsvariance networksproper scoring rulesprobabilistic object detection
发现论文，激发创造
  • 使用深度集成实现简单且可扩展的预测不确定性估计

    本研究提出了一种替代贝叶斯 NN 的简单实现方法，其能够产生高质量的预测不确定性估计，并在分类和回归数据集上进行了实验以证明这一点。此外，研究还评估了在已知和未知数据分布下的预测不确定性，并证明该方法能够在超出分布的样本上表现出更高的不确定性，同时在 ImageNet 上证明了该方法的可扩展性。

    Dec, 2016

  • 基于能量模型的深度概率回归

    本文介绍了一种基于能量模型和深度神经网络，通过蒙特卡罗采样方法直接最小化相关负对数似然训练条件目标密度 p (y|x)，可用于计算机视觉回归任务的新的概率解释回归方法，并在四个计算机视觉回归任务中表现优于其他概率和自信度方法，同时也具备更广泛的应用性，可用于估计年龄和头部姿势等任务。

    Sep, 2019

  • 基于 Von-Mises 损失的不确定性感知体素化三维物体检测和跟踪

    本文提出了一种通过将不确定性回归到 3D 物体检测算法 SECOND 中来改善目标跟踪性能的方法，并在传统目标跟踪框架中证明了该方法相对于基准跟踪器具有更好的性能。

    Nov, 2020

  • 深度方向统计学：带有不确定性量化的姿态估计

    本文提出一种新颖的概率深度学习模型，通过使用 von Mises 分布预测物体位姿角度的分布，可用于不确定性量化，同时在不同质量的图像下也有较强的鲁棒性，经实验证明其具有竞争力的精度和预测能力。

    May, 2018

  • 回归任务中的不确定性预测评估和校准

    本文提出了一种新的针对回归任务中不确定性预测校准的方法和评估方法，并通过对合成问题和对 COCO 和 KITTI 数据集的物体检测边界框回归任务的实验验证，展示出基于直方图的聚类方法和基于缩放的校准方法的效果相当好。

    May, 2019

  • 一种核得分的偏差 - 方差 - 协方差分解方法用于生成模型

    生成模型的不确定性估计及其提出的内核评分和相关熵的偏差 - 方差 - 协方差分解是一项有前景的研究工作。作者利用生成样本提出了无偏且一致的估计方法，证明了方差和预测内核熵可作为图像、音频和语言生成的不确定性度量。这种不确定性估计方法在问答数据集上显示出比现有基线更好的性能，并可应用于闭源模型。

    Oct, 2023

  • 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

  • 深度证据回归

    本文提出了一种新方法，通过在原始高斯似然函数上放置证据先验，训练神经网络 (NNs) 以估计连续目标及其相关证据，以学习 aleatoric 和 epistemic 不确定性。在多个基准测试中，本方法展示了学习良好校准的不确定度测量，可扩展到复杂的计算机视觉任务，并对对抗性和 OOD 测试样本具有鲁棒性。

    Oct, 2019

  • 深度回归的不确定性量化指标

    在部署机器人或其他物理系统上的深度神经网络时，可靠地量化预测不确定性以允许下游模块对其行为的安全性进行推理至关重要。本文研究了评估这种不确定性的度量标准，具体关注回归任务，并调查了 Sparsification Error 下面积 (AUSE)、校准误差、Spearman 排名相关性和负对数似然度量。通过使用合成回归数据集，我们研究了这些度量标准在四种典型的不确定性下的行为方式，以及它们对测试集大小的稳定性，并揭示了它们的优势和劣势。结果表明，校准误差是最稳定和可解释性的度量标准，但是 AUSE 和负对数似然度量也有各自的适用场景。我们不建议使用 Spearman 排名相关性来评估不确定性，建议用 AUSE 替代。

    May, 2024

  • 使用基于能量优化的可信性验证来进行三维物体检测

    该研究提出了一个基于多传感器流的可信度验证框架，使用四种不同的能量函数来验证 MonRUn 模型的 3D 物体建议，以减少错误的检测结果和提高模型的可靠性。

    Nov, 2022