利用标签平滑改进基于深度学习的雷达谱目标分类的不确定性
机器学习
2021-09-28 v1 信号处理
摘要
近期深度学习（DL）解决方案极大地改善了汽车雷达的目标类型分类，然而这些进展主要集中在分类精度上。在将DL解决方案用于安全关键应用（如自动驾驶）之前，一个不可或缺的前提是准确量化分类器的可靠性。不幸的是，DL分类器被描述为黑箱系统，其输出的预测严重过度自信，导致下游决策系统得出可能带来灾难性后果的错误结论。我们发现，无论预测正确与否，深度雷达分类器对于模糊、困难的样本（例如远距离测量的小目标、在域偏移和信号损坏下）都保持高置信度。本文的重点是学习能够在训练期间使用标签平滑提供鲁棒实时不确定性估计的深度雷达谱分类器。标签平滑是一种细化或软化分类数据集中通常可用的硬标签的技术。在本文中，我们利用雷达特有的知识来定义软标签，鼓励分类器学习输出高质量的校准不确定性估计，从而部分解决过度自信的问题。我们的研究表明，简单的雷达知识可以轻松地与复杂的数据驱动学习算法相结合，以实现安全的汽车雷达感知。
引用
@article{arxiv.2109.12851,
title = {Improving Uncertainty of Deep Learning-based Object Classification on Radar Spectra using Label Smoothing},
author = {Kanil Patel and William Beluch and Kilian Rambach and Michael Pfeiffer and Bin Yang},
journal= {arXiv preprint arXiv:2109.12851},
year = {2021}
}
备注
Submitted to IEEE Radar Conference 2022