自动驾驶中的光学像差：用于神经网络不确定性校准的物理信息参数化温度缩放
计算机视觉与模式识别
2025-05-01 v2
摘要
“可靠的不确定性表示是理想的，应被视为任何机器学习方法的关键特性”（Huellermeier 和 Waegeman, 2021）。Huellermeier 等人的这一结论印证了校准不确定性的重要性。由于基于 AI 的算法深受数据集偏移的影响，汽车行业需要保障其系统免受所有可能意外情况的影响。一个重要但常被忽视的数据集偏移是由挡风玻璃引起的光学像差造成的。为了验证感知系统的性能，需要通过双射映射将 AI 性能要求转化为光学指标。鉴于这种双射映射，显然光学系统特性增加了关于数据集偏移幅度的额外信息。因此，我们提议将物理归纳偏置纳入神经网络校准架构中，以增强 AI 目标应用的鲁棒性和可信度，我们以语义分割任务为例对此进行了演示。通过利用光学系统的 Zernike 系数向量作为物理先验，我们能够在光学像差情况下显著降低平均预期校准误差。结果，我们为可信的不确定性表示和感知链的整体验证策略铺平了道路。
引用
@article{arxiv.2412.13695,
title = {Optical aberrations in autonomous driving: Physics-informed parameterized temperature scaling for neural network uncertainty calibration},
author = {Dominik Werner Wolf and Alexander Braun and Markus Ulrich},
journal= {arXiv preprint arXiv:2412.13695},
year = {2025}
}
备注
Under review at IEEE Transactions on Intelligent Transportation Systems (T-ITS)