Mar, 2024

深度集合方法用于 6D 物体姿态估计的不确定性量化

PDF
TL;DR提出一种用于深度集成的多阶段 6D 物体姿势估计方法的不确定性量化方法，使用 SurfEmb 进行实现，并提出一种用于回归任务的新型不确定性校准分数评估估计的质量。
6d object pose estimationdeep-learning-based approachesdeep ensemblesuncertainty quantificationregression tasks
发现论文，激发创造
  • 评估不确定性估计方法在点云三维语义分割上的表现

    本研究评估了三种不确定性量化方法，即深度集成，MC-Dropout 和 MC-DropConnect 在 DarkNet21Seg 3D 语义分割模型上的影响，并全面分析了各种参数对任务性能和不确定性估计质量的影响。研究发现，深度集成的表现在性能和不确定性度量方面优于其他方法，mIOU 提高了 2.4％，准确度提高了 1.3％，并提供可靠的不确定性来做出决策。

    Jul, 2020

  • 深度学习中领域内不确定性估计和集成的陷阱

    本研究重点研究针对图像分类的领域内不确定性的计量标准诸如 DEE 等并探究了深度学习集成技术，指出了现有指标的缺点并避免了这些缺点，对不同的集成技术进行了深入的研究，发现许多复杂的集成技术在测试性能方面等价于仅仅独立地训练数个网络的集成。

    Feb, 2020

  • 图像分类快速不确定性估计的深度子整体方法

    该论文提出了一种名为深度子集合（Deep Sub-Ensembles）的方法，通过仅对接近输出层的层进行集成，从而近似获得深度集合（Deep Ensembles）的模型不确定性， 在减少计算负担的同时，控制了误差和 NLL 的变化，来实现在误差和不确定性精度和计算性能之间的权衡。

    Oct, 2019

  • 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

  • 不确定性量化和深度集成

    本文研究了在数据稀缺的情况下使用深度学习时，数据增强、集成学习和后处理校准方法之间的相互作用，并表明深度集成不一定会导致改进校准性能，必须进行微调后的后处理才能有效地降低标准深度集成中的预期校准误差。

    Jul, 2020

  • 从贝叶斯角度看深度合奏

    深度集成是一种用于深度学习中不确定性量化的最新技术，本研究通过指定相关假设，证明了其可视为近似贝叶斯方法，该发现有助于改进估计并增大认识不确定性，数值实验表明这种改进有助于提高鲁棒性，同时可以通过分析导出方便计算的结果。

    May, 2021

  • 采用集合学习进行计算光学形态测量的不确定性量化

    通过集合学习方法探索计算光学形态测量中的不确定度量化问题，采用深度学习方法来解决大规模的非线性反问题，并通过插入外分布误差以及噪声数据来探索其可靠性，研究结果表明集合方法可以在高维数据的实际应用中进行可靠预测。

    Mar, 2021

  • 单阶段 6D 物体位姿估计

    本文介绍了一种基于深度学习的 6D 姿态估计架构，能够直接从对应点回归 6D 姿态，并提出了单阶段 6D 姿态估计框架，能够在准确性和速度方面显著优于现有的双阶段框架。

    Nov, 2019

  • DUDES：利用集合的深度不确定性蒸馏进行语义分割

    本研究介绍了一种新方法 Deep Uncertainty Distillation using Ensembles for Segmentation (DUDES)，它能够高效地进行深度神经网络的预测不确定性估计，而不会牺牲性能，以解决自动驾驶、医学图像和机器视觉应用中模型可靠性不足的问题。

    Mar, 2023

  • 深度集成提高气候变化条件下统计降尺度模型的不确定性量化能力

    研究了深度学习在气候下缩放和预测中的应用，并提出使用深度集合作为一种简单的方法，以提高气候变化预测模型的不确定性量化能力，以解决严重天气事件对社会和经济产生的负面影响。

    Apr, 2023