LS-VOS：利用潜空间虚拟离群合成识别三维目标检测中的离群值
计算机视觉与模式识别
2023-10-03 v1
摘要
基于 LiDAR 的三维目标检测器在自动驾驶应用中实现了前所未有的速度和精度。然而，与其他神经网络类似，它们往往偏向于高置信度预测，或在不存在真实物体的地方返回检测。这类检测会导致环境感知可靠性降低，严重影响自动驾驶车辆的功能与安全。我们通过提出 LS-VOS 来解决此问题，这是一个用于识别三维目标检测中离群值的框架。我们的方法建立在虚拟离群合成（Virtual Outlier Synthesis, VOS）的思想上，其在训练期间融入离群知识，使模型学习更紧凑的决策边界。具体而言，我们提出了一种新合成方法，依赖自编码器网络的潜空间来生成与分布内特征具有可参数化相似度的离群特征。在大量实验中，我们表明我们的方法在保持高三维目标检测性能的同时，提升了最先进目标检测器的离群检测能力。
引用
@article{arxiv.2310.00952,
title = {LS-VOS: Identifying Outliers in 3D Object Detections Using Latent Space Virtual Outlier Synthesis},
author = {Aldi Piroli and Vinzenz Dallabetta and Johannes Kopp and Marc Walessa and Daniel Meissner and Klaus Dietmayer},
journal= {arXiv preprint arXiv:2310.00952},
year = {2023}
}
备注
Published at IEEE International Conference on Intelligent Transportation Systems ITSC 2023