Apr, 2024

基于不确定性的实例分割角点检测标准

PDF
TL;DR基于预测不确定性的角落案例准则可以检测无需依赖正确答案数据的对象实例分割模型的不确定性角落案例，并提供一种角落案例决策函数，可以将每个物体区分为真正阳性（TP）、定位和 / 或分类角落案例，或虚假阳性（FP），同时提出了迭代训练循环的初步结果，超过基准，在训练数据集中添加的数据是基于角落案例决策函数选择的。
highly automated vehicledeep learning modelscorner case criteriaobject instance segmentationiterative training cycle
发现论文，激发创造
  • 高度自动化驾驶感知角落案例的应用驱动概念化

    该研究旨在提供一个基于应用需求的自动驾驶车辆中的异常情况检测系统，主要针对机器学习、传感器模态、数据采集等应用和研究领域进行研究和探讨。

    Mar, 2021

  • 自动驾驶角落案例检测

    该研究论文提供了 “corner case” 的定义，并提出了一种既可在线使用，也可脱机筛选、重复训练机器学习算法的系统框架，该系统能够处理自然移动车辆前置摄像头的视频信号，并输出 “corner case” 分数。

    Feb, 2019

  • 半自动化的角落案例检测和评估流程

    为了证明自动驾驶汽车可以安全、稳健地处理多种不同情况的交通，提出了一个通过 KI Absicherung 本体论将集体专家知识描述转化为场景和情境来提取自动驾驶数据集中的极端案例，并评估检测网络性能的流程。

    May, 2023

  • 自动驾驶中的边界案例描述：目标与挑战

    自动驾驶车辆的分布需要处理各种意外和可能危险的情况，这些情况被称为边缘情况，而这些情况也是机器学习模型的开发所需数据的重要组成部分。然而，在大规模数据集中只有有限数量的边缘情况数据，这使得它们在机器学习的背景下具有挑战性。本文旨在介绍机器可解释的边缘情况描述的挑战和目标。

    Sep, 2021

  • 面向成本敏感的基于不确定性的物体检测故障识别

    为了提高对象检测的准确性和安全性，研究提出了一种基于阈值和不确定性的成本敏感的对象检测框架，用于避免错误检测。通过分析不同类型的不确定性与检测错误之间的相关性和成本，该方法自动优化阈值以最大化对指定预算的错误识别率，在自动驾驶数据集上的评估结果表明，该方法较传统方法提高了 36-60% 的错误识别率。

    Apr, 2024

  • 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

  • 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

  • UGainS: 不确定性引导的异常实例分割

    通过使用不确定区域指导细分异常实例的模型和强大的对象先验，我们提出了一个能够准确检测道路异常物体的方法，优于当前的像素级异常分割方法，实验结果在 Fishyscapes Lost and Found 和 RoadAnomaly 验证集上分别达到了 80.08% 和 88.98% 的平均准确率。

    Aug, 2023

  • 空间、时间与交互：自动驾驶轨迹数据集中的极端案例分类

    本文通过识别异常轨迹和提出分类法等措施，阐述了车道数据分析在高度自动化驾驶中的重要性以及机器学习模型和异常案例之间的关系。

    Oct, 2022

  • 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