Stochastic-YOLO：数据集偏移下高效的概率化目标检测
计算机视觉与模式识别
2020-11-09 v2 机器学习
机器人学
摘要
在图像分类任务中，以概率框架评估模型对增强的数据集偏移的鲁棒性已被充分研究。然而，目标检测（OD）任务对不确定性估计与评估提出了其他挑战。例如，需同时评估给定边界框的标签不确定性（即是什么？）与空间不确定性（即在哪？）的质量，而该评估无法用更传统的平均精度指标（如 mAP）完成。本文调整成熟的 YOLOv3 架构，通过引入蒙特卡洛丢弃（MC-Drop）形式的随机性来生成不确定性估计，并在不同水平的数据集偏移下进行评估。我们将这一新架构称为 Stochastic-YOLO，并提供了高效实现以有效减轻推理时 MC-Drop 采样机制的开销。最后，我们给出了一些敏感性分析，并指出 Stochastic-YOLO 是一种合理的方法，可改进不确定性估计的多个组成部分，尤其是空间不确定性。
引用
@article{arxiv.2009.02967,
title = {Stochastic-YOLO: Efficient Probabilistic Object Detection under Dataset Shifts},
author = {Tiago Azevedo and René de Jong and Matthew Mattina and Partha Maji},
journal= {arXiv preprint arXiv:2009.02967},
year = {2020}
}
备注
To appear in the Workshop on Machine Learning for Autonomous Driving (ML4AD) at NeurIPS 2020. 9 pages, 7 figures