自动驾驶目标检测模型中预测曲面不确定性量化
计算机视觉与模式识别
2021-07-13 v1 人工智能
摘要
自动驾驶汽车中的目标检测通常基于相机图像和激光雷达（Lidar）输入，这些输入常用于训练预测模型（如深度人工神经网络），以进行目标识别、调整车速等决策。此类决策中的错误可能造成危害，因此通过不确定性度量来衡量此类预测模型所做决策的可靠性至关重要。深度学习模型中的不确定性通常针对分类问题进行度量。然而，自动驾驶中的深度学习模型往往是多输出回归模型。为此，我们提出一种称为 PURE（Prediction sURface uncErtainty，预测曲面不确定性）的新方法，用于度量此类回归模型的预测不确定性。我们将目标识别问题建模为具有多个输出的回归模型，以在二维相机视图中定位目标。在评估中，我们修改了三个广泛应用的目标识别模型（即 YoLo、SSD300 和 SSD512），并使用了 KITTI、Stanford Cars、Berkeley DeepDrive 和 NEXET 数据集。结果表明，预测曲面不确定性与预测精度之间存在统计显著的负相关，说明不确定性对自动驾驶所做的决策有显著影响。
引用
@article{arxiv.2107.04991,
title = {Prediction Surface Uncertainty Quantification in Object Detection Models for Autonomous Driving},
author = {Ferhat Ozgur Catak and Tao Yue and Shaukat Ali},
journal= {arXiv preprint arXiv:2107.04991},
year = {2021}
}
备注
Accepted in AITest 2021, The Third IEEE International Conference On Artificial Intelligence Testing