用于概率目标检测的深层混合密度网络
计算机视觉与模式识别
2020-07-03 v2
摘要
在真实世界中部署机器人时，目标检测中的错误/不确定性可能导致灾难。本文中，我们度量目标定位的不确定性以最小化此类风险。不确定性出现在遮挡等挑战性情形下。被遮挡物体的边界框边界可具有多个合理配置。我们提出一种用于概率目标检测的深层多元高斯混合模型。协方差有助于学习边界之间的关系，而混合分量潜在地学习被遮挡部分的不同配置。在定量上，我们的模型在 CrowdHuman 和 MS-COCO 上分别以几乎无计算或内存开销将基线的 AP 提高了 3.9% 和 1.4%。在定性上，我们的模型具有可解释性，因为所得的协方差矩阵与混合分量有助于度量不确定性。
引用
@article{arxiv.1911.10614,
title = {Deep Mixture Density Network for Probabilistic Object Detection},
author = {Yihui He and Jianren Wang},
journal= {arXiv preprint arXiv:1911.10614},
year = {2020}
}
备注
IROS 2020 oral