基于不确定性学习的可靠语义占据预测 (ReliOcc)
计算机视觉与模式识别
2024-09-27 v1 机器人学
摘要
面向视觉的语义占据预测在自动驾驶中发挥着关键作用，需要来自低成本传感器的准确且可靠的预测。尽管已明显缩小了与 LiDAR 之间的精度差距，但鲁棒性研究仍鲜有探索。本文首次从鲁棒性角度全面评估现有语义占据预测模型。尽管摄像头模型的准确性逐渐与 LiDAR 一致，但显著的鲁棒性差距仍然存在。为此，我们提出了 ReliOcc 方法，以增强基于摄像头的占据网络鲁棒性。ReliOcc 提供一种即插即用的方案，将来自单个体素的混合不确定性与采样-based 噪声和相对体素结合，通过 mix-up 学习实现集成。此外，还设计了一种不确定性感知的校准策略，以进一步提升离线模式下的模型鲁棒性。广泛的实验结果表明，ReliOcc 在保持几何和语义预测准确性的同时，显著提升了模型的鲁棒性。重要的是，本方法在推理期间对传感器故障和域外噪声具有鲁棒性。
引用
@article{arxiv.2409.18026,
title = {ReliOcc: Towards Reliable Semantic Occupancy Prediction via Uncertainty Learning},
author = {Song Wang and Zhongdao Wang and Jiawei Yu and Wentong Li and Bailan Feng and Junbo Chen and Jianke Zhu},
journal= {arXiv preprint arXiv:2409.18026},
year = {2024}
}
备注
Technical report. Work in progress