基于深度学习的雷达频谱目标分类的不确定性研究
机器学习
2021-06-11 v1 人工智能
摘要
深度学习（DL）近来引起越来越多的兴趣，以改善汽车雷达的目标类型分类。除高准确率外，评估预测可靠性对于自动驾驶车辆的决策至关重要；然而，DL 网络的决策是不透明的。当前 DL 研究已探讨如何量化预测的不确定性，本文中我们评估这些方法在安全汽车雷达感知中的潜力。特别地，我们评估不确定性量化如何在（1）域偏移、（2）输入信号损坏、以及（3）存在未知物体情况下支持雷达感知。我们发现，与文献中观察到的现象一致，深度雷达分类器过于自信，即便在其错误预测中亦如此。这引发了对在不确定性下使用置信度值进行决策的担忧，因为模型未能在无法处理未知情况时发出通知。准确的置信度值将允许多信息源的最优整合，例如通过传感器融合。我们表明，通过应用最先进的事后不确定性校准，置信度度量的质量可显著提升，从而部分解决过度自信问题。我们的研究表明，对 DL 网络的训练与校准需进一步研究，并为基于雷达传感器的安全汽车目标分类提供了巨大潜力。
引用
@article{arxiv.2106.05870,
title = {Investigation of Uncertainty of Deep Learning-based Object Classification on Radar Spectra},
author = {Kanil Patel and William Beluch and Kilian Rambach and Adriana-Eliza Cozma and Michael Pfeiffer and Bin Yang},
journal= {arXiv preprint arXiv:2106.05870},
year = {2021}
}
备注
6 pages