一种用于道路使用者检测的概率方法
计算机视觉与模式识别
2023-04-25 v4 人工智能
机器学习
摘要
自动驾驶应用中的目标检测意味着对语义目标（如行人与车辆）的检测与跟踪通常是城市驾驶环境所固有的。基于深度学习的最先进目标检测的主要挑战之一是伴随过度置信分数出现的假阳性。由于安全问题，这在自动驾驶及其他关键机器人感知领域中极不可取。本文提出一种方法，通过在测试时向深度目标检测网络引入新颖的概率层来缓解过度置信预测问题。所提方法避免了常产生过度置信预测的传统 Sigmoid 或 Softmax 预测层。结果表明，该技术在不降低真阳性性能的前提下减少了假阳性中的过度置信。该方法在 2D-KITTI 目标检测上通过 YOLOV4 与 SECOND（基于 Lidar 的检测器）进行了验证。所提方法实现了可解释的概率预测，且无需重新训练网络，因此非常实用。
引用
@article{arxiv.2112.01360,
title = {Probabilistic Approach for Road-Users Detection},
author = {G. Melotti and W. Lu and P. Conde and D. Zhao and A. Asvadi and N. Gonçalves and C. Premebida},
journal= {arXiv preprint arXiv:2112.01360},
year = {2023}
}
备注
This work has been accepted for publication as a REGULAR PAPER in the Transactions on Intelligent Transportation Systems-ITS