LMD:激光雷达点云目标检测的轻量级预测质量估计
计算机视觉与模式识别
2023-06-16 v2
摘要
基于激光雷达(Lidar)点云数据的目标检测是一项极具前景的自动驾驶与机器人技术,近年来其性能与精度显著提升。尤其不确定性估计是下游任务的关键组成部分,而深度神经网络即便对高置信度预测仍易出错。先前提出的预测不确定性量化方法往往改变检测器的训练方案,或依赖预测采样,导致推理时间大幅增加。为解决这两个问题,我们提出 LidarMetaDetect (LMD),一种用于预测质量估计的轻量级后处理方案。我们的方法可轻松添加至任何预训练的 Lidar 目标检测器,无需改动基础模型的任何部分,且纯粹基于后处理,因此仅带来可忽略的计算开销。我们的实验显示出在区分真阳性与假阳性预测方面统计可靠性的显著提升。我们提出并评估了方法的另一应用,可实现标注错误的检测。明确的样本及保守统计的标注错误提议表明,我们的方法对于 KITTI 和 nuScenes 等大规模数据集具有可行性。在广泛使用的 nuScenes 测试数据集上,我们方法排名前 100 的提议中有 43 个实际上指示了错误标注。
引用
@article{arxiv.2306.07835,
title = {LMD: Light-weight Prediction Quality Estimation for Object Detection in Lidar Point Clouds},
author = {Tobias Riedlinger and Marius Schubert and Sarina Penquitt and Jan-Marcel Kezmann and Pascal Colling and Karsten Kahl and Lutz Roese-Koerner and Michael Arnold and Urs Zimmermann and Matthias Rottmann},
journal= {arXiv preprint arXiv:2306.07835},
year = {2023}
}
备注
19 pages, 11 figures, 11 tables