通过可靠的不确定性量化与校准构建自感知目标检测器
计算机视觉与模式识别
2023-07-04 v1
摘要
当前测试目标检测器鲁棒性的方法存在严重缺陷，例如使用不恰当的分布外检测方法，以及采用未同时考虑定位与分类质量的校准指标。在本工作中，我们解决了这些问题，并引入了自感知目标检测（Self-Aware Object Detection, SAOD）任务，这是一个统一的测试框架，尊重并契合目标检测器在自动驾驶等安全关键环境中所面临的挑战。具体而言，SAOD任务要求目标检测器：对域偏移具有鲁棒性；获得整个场景的可靠不确定性估计；并为检测结果提供校准后的置信度分数。我们广泛使用所提出的框架（其引入了新颖的指标和大规模测试数据集）在两个不同用例中测试众多目标检测器，从而凸显了它们鲁棒性表现的关键洞察。最后，我们为SAOD任务引入了一个简单基线，使研究者能够基准测试未来提出的方法，并朝着适用且鲁棒的目标检测器迈进。代码可在 https://github.com/fiveai/saod 获取。
引用
@article{arxiv.2307.00934,
title = {Towards Building Self-Aware Object Detectors via Reliable Uncertainty Quantification and Calibration},
author = {Kemal Oksuz and Tom Joy and Puneet K. Dokania},
journal= {arXiv preprint arXiv:2307.00934},
year = {2023}
}
备注
CVPR 2023