推断目标检测中的空间不确定性
计算机视觉与模式识别
2020-08-04 v2 机器学习
机器人学
摘要
真实世界数据集的可用性是开发自动驾驶目标检测方法的先决条件。尽管由于易出错的标注过程或传感器观测噪声，目标标签中存在歧义，但当前的目标检测数据集仅提供确定性标注而未考虑其不确定性。这妨碍了对不同目标检测方法、尤其是那些显式建模预测概率的方法的深入评估。在本工作中，我们提出一种生成模型来从 LiDAR 点云估计边界框标签不确定性，并通过空间分布定义概率边界框的一种新表示。综合实验表明，所提模型能表示驾驶场景中常见的不确定性。基于该空间分布，我们进一步提出 IoU 的一种扩展，称为 Jaccard IoU (JIoU)，作为一种纳入标签不确定性的新评估指标。在 KITTI 与 Waymo Open Datasets 上的实验表明，在评估概率目标检测器时 JIoU 优于 IoU。
引用
@article{arxiv.2003.03644,
title = {Inferring Spatial Uncertainty in Object Detection},
author = {Zining Wang and Di Feng and Yiyang Zhou and Lars Rosenbaum and Fabian Timm and Klaus Dietmayer and Masayoshi Tomizuka and Wei Zhan},
journal= {arXiv preprint arXiv:2003.03644},
year = {2020}
}