基于LiDAR语义分割中欠表示类的校准研究
计算机视觉与模式识别
2022-10-14 v1
摘要
基于深度学习的感知模型的校准在其可靠性中起着关键作用。我们的工作聚焦于对若干模型在基于LiDAR语义分割中的置信度表现进行类级评估，旨在提供关于欠表示类校准的见解。这些类常包含弱势道路使用者（VRU），因此出于安全原因尤为值得关注。借助基于稀疏化曲线的指标，我们比较了三种具有不同架构概念的语义分割模型（各含确定性与概率性版本）的校准能力。通过识别并描述类的预测性能与相应校准质量之间的依赖关系，我们旨在促进安全关键应用中的模型选择与精炼。
引用
@article{arxiv.2210.06811,
title = {On the calibration of underrepresented classes in LiDAR-based semantic segmentation},
author = {Mariella Dreissig and Florian Piewak and Joschka Boedecker},
journal= {arXiv preprint arXiv:2210.06811},
year = {2022}
}