自动驾驶感知中利用贝叶斯推断降低误检率
计算机视觉与模式识别
2023-10-24 v2 人工智能
摘要
物体识别是自动驾驶与智能车辆感知系统中的关键步骤，大量相关研究工作证明了这一点。本文采用多传感器与多模态方法探索物体识别，旨在降低误检率（FPR）。在感知系统中，降低 FPR 愈发重要，因为物体的误分类可能引发事故。具体而言，本工作提出一种通过贝叶斯推断降低 FPR 的策略，将似然函数视为高斯核密度估计的累积分布函数，并将先验概率视为归一化直方图的累积函数。所提方法在 KITTI 数据集上利用深度网络（DenseNet、NasNet 和 EfficientNet）以及近期 3D 点云网络（PointNet 和 PointNet++）进行验证，考虑了三类物体（汽车、骑行者、行人）以及 RGB 与 LiDAR 传感器模态。
引用
@article{arxiv.2310.05951,
title = {Reducing the False Positive Rate Using Bayesian Inference in Autonomous Driving Perception},
author = {Gledson Melotti and Johann J. S. Bastos and Bruno L. S. da Silva and Tiago Zanotelli and Cristiano Premebida},
journal= {arXiv preprint arXiv:2310.05951},
year = {2023}
}
备注
This paper has been submitted to the journal Pattern Recognition Letters