Gaussian YOLOv3：一种利用定位不确定性实现准确快速目标检测的自动驾驶检测器
计算机视觉与模式识别
2019-08-13 v2
摘要
目标检测算法在自动驾驶汽车中的应用日益重要，而高精度和快速推理速度的目标检测对于安全自动驾驶至关重要。自动驾驶过程中由错误定位导致的假阳性（FP）可能引发致命事故，并妨碍安全高效的驾驶。因此，自动驾驶应用需要一种能够应对错误定位的检测算法。本文提出一种方法，通过对最具代表性的一阶段检测器 YOLOv3 的边界框（bbox）进行高斯参数建模并重新设计损失函数，在支持实时运行的同时提高检测精度。此外，本文提出一种预测表示边界框可靠性的定位不确定性的方法。通过在检测过程中利用预测的定位不确定性，所提方案能显著减少假阳性并增加真阳性（TP），从而提高精度。与传统 YOLOv3 相比，所提算法 Gaussian YOLOv3 在 KITTI 和 Berkeley deep drive（BDD）数据集上的平均精度均值（mAP）分别提高了 3.09 和 3.5。尽管如此，所提算法能够以快于每秒 42 帧（fps）的速度进行实时检测，并且在相似 fps 下展现出高于以往方法的精度。因此，所提算法最适合自动驾驶应用。
引用
@article{arxiv.1904.04620,
title = {Gaussian YOLOv3: An Accurate and Fast Object Detector Using Localization Uncertainty for Autonomous Driving},
author = {Jiwoong Choi and Dayoung Chun and Hyun Kim and Hyuk-Jae Lee},
journal= {arXiv preprint arXiv:1904.04620},
year = {2019}
}
备注
ICCV 2019