MUAD：面向自动驾驶的多种不确定性基准，涵盖多类不确定性类型与任务
计算机视觉与模式识别
2022-10-10 v2
摘要
预测不确定性估计对于深度神经网络在真实世界自主系统中的安全部署至关重要。然而，对于大多数数据集而言，厘清不同类型与来源的不确定性并非易事，尤其是因为不确定性没有真值标注。此外，尽管不同强度的恶劣天气条件会干扰神经网络预测，它们在公开数据集的训练集与测试集中通常均代表性不足。我们试图缓解这些缺陷，并引入 MUAD 数据集（Multiple Uncertainties for Autonomous Driving，面向自动驾驶的多种不确定性），其包含 10,413 张具有多样恶劣天气条件（夜间、雾、雨、雪）、分布外物体，以及语义分割、深度估计、物体与实例检测标注的真实感合成图像。MUAD 可更好地评估不同不确定性来源对模型性能的影响。我们对若干基线深度神经网络在多个任务上所受影响进行了详尽的实验研究，并发布我们的数据集以允许研究者在恶劣条件下系统地基准测试其算法。MUAD 的更多可视化内容与下载链接见 https://muad-dataset.github.io/。
引用
@article{arxiv.2203.01437,
title = {MUAD: Multiple Uncertainties for Autonomous Driving, a benchmark for multiple uncertainty types and tasks},
author = {Gianni Franchi and Xuanlong Yu and Andrei Bursuc and Angel Tena and Rémi Kazmierczak and Séverine Dubuisson and Emanuel Aldea and David Filliat},
journal= {arXiv preprint arXiv:2203.01437},
year = {2022}
}
备注
Accepted at BMVC 2022