校准自动驾驶三维目标检测器的完整预测类别分布
计算机视觉与模式识别
2025-10-03 v1
摘要
在自主系统中，精确的目标检测和不确定性估计对于具备自我意识的安全运行至关重要。本工作致力于解决三维目标检测器分类任务的置信度校准问题。我们主张有必要考虑所有类别上完整预测置信度分布的校准，并推导出一个能够刻画主类与次类预测校准情况的指标。我们提出了两个辅助正则化损失项，将主预测或完整预测向量的校准作为训练目标引入。我们在 CenterPoint、PillarNet 和 DSVT-Pillar 上评估了一系列事后与训练时方法，并发现将我们用于正则化完整类别预测的损失项与等渗回归相结合，能够使 CenterPoint 和 PillarNet 在主类和次类预测上均达到最佳校准效果。我们进一步发现，DSVT-Pillar 无法使用相同方法对主类和次类预测进行联合校准。
引用
@article{arxiv.2510.01829,
title = {Calibrating the Full Predictive Class Distribution of 3D Object Detectors for Autonomous Driving},
author = {Cornelius Schröder and Marius-Raphael Schlüter and Markus Lienkamp},
journal= {arXiv preprint arXiv:2510.01829},
year = {2025}
}