标签并非完美：目标检测中空间不确定性的推断
计算机视觉与模式识别
2020-12-23 v1 机器人学
摘要
许多真实世界驾驶数据集的可用性是近年来自动驾驶中目标检测算法取得进展的关键原因。然而，由于易出错的标注过程或传感器观测噪声，物体标签存在歧义甚至错误。当前的公开目标检测数据集仅提供确定性的物体标签，未考虑其固有不确定性，常见的目标检测器训练过程或评估指标也是如此。因此，不同目标检测方法之间的深入评估仍然具有挑战性，且目标检测器的训练过程并非最优，尤其在概率目标检测中。在本工作中，我们基于生成模型从 LiDAR 点云中推断边界框标签中的不确定性，并通过空间不确定性分布定义概率边界框的新表示。综合实验表明，所提模型反映了 LiDAR 感知中的复杂环境噪声及标签质量。此外，我们提出 Jaccard IoU（JIoU）作为一种新的评估指标，通过纳入标签不确定性对 IoU 进行扩展。我们使用 JIoU 指标对几种基于 LiDAR 的目标检测器进行了深入比较。最后，我们将所提标签不确定性纳入损失函数以训练概率目标检测器并提升其检测精度。我们在两个公开数据集（KITTI、Waymo）以及仿真数据上验证了所提方法。代码发布于 https://bit.ly/2W534yo。
引用
@article{arxiv.2012.12195,
title = {Labels Are Not Perfect: Inferring Spatial Uncertainty in Object Detection},
author = {Di Feng and Zining Wang and Yiyang Zhou and Lars Rosenbaum and Fabian Timm and Klaus Dietmayer and Masayoshi Tomizuka and Wei Zhan},
journal= {arXiv preprint arXiv:2012.12195},
year = {2020}
}