深度方向统计:带不确定性量化的姿态估计
计算机视觉与模式识别
2018-05-10 v1
摘要
现代深度学习系统在面对高质量输入图像时,能够成功解决诸如物体姿态估计等许多感知任务。然而,在具有挑战性的成像条件下,例如低分辨率图像或图像受到成像伪影污染时,当前系统的精度会显著下降。尽管性能损失不可避免,我们仍希望模型能够量化其不确定性,从而实现对不同质量图像的鲁棒性。概率深度学习模型将深度学习的表达能力与不确定性量化相结合。本文中,我们提出了一种用于角度回归任务的新型概率深度学习模型。我们的模型使用 von Mises 分布来预测物体姿态角上的分布。单一 von Mises 分布对分布形状做了强假设,为此我们将基础模型扩展为预测 von Mises 分布混合。我们展示了如何使用有限和无限数量的混合分量来学习混合模型。我们的模型支持基于似然的训练以及测试时的高效推断。我们在多个具有挑战性的姿态估计数据集上证明,与当前最先进水平相比,我们的模型产生了经过校准的概率预测以及具有竞争力或更优的点估计。
引用
@article{arxiv.1805.03430,
title = {Deep Directional Statistics: Pose Estimation with Uncertainty Quantification},
author = {Sergey Prokudin and Peter Gehler and Sebastian Nowozin},
journal= {arXiv preprint arXiv:1805.03430},
year = {2018}
}