面向 LiDAR 场景语义分割的校准且高效的无采样置信度估计
计算机视觉与模式识别
2025-05-14 v2 机器学习
摘要
可靠的深度学习模型不仅需要准确的预测，还需要校准良好的置信度估计，以确保可靠的不确定性估计。这对于自动驾驶等安全关键应用至关重要，这些应用依赖于对 LiDAR 点云进行快速且精确的语义分割，以实现实时 3D 场景理解。在本工作中，我们引入了一种无采样方法来估计分类任务中校准良好的置信度值，实现了与真实分类准确率的对齐，并且与基于采样的方法相比显著减少了推理时间。我们使用自适应校准误差（ACE）指标对 LiDAR 语义分割进行了评估，结果表明，与采样基准相比，我们的方法在保持校准良好的置信度值的同时，实现了更高的处理速度。此外，可靠性图表显示，我们的方法产生的是欠自信而非过度自信的预测，这对于安全关键应用是一项优势。我们的无采样方法为 LiDAR 场景语义分割提供了校准良好且时间高效的预测。
引用
@article{arxiv.2411.11935,
title = {Calibrated and Efficient Sampling-Free Confidence Estimation for LiDAR Scene Semantic Segmentation},
author = {Hanieh Shojaei Miandashti and Qianqian Zou and Claus Brenner},
journal= {arXiv preprint arXiv:2411.11935},
year = {2025}
}