Evaluating and Improving Safety of Object Detectors in Autonomous Driving

要約

物体検出は、機械認識における重要な機能です。
通常、パフォーマンスは、平均平均精度 (mAP) などの精度指標に基づいて評価されます。
この論文では、自動運転 (AD) のコンテキストにおける安全性によって物体検出器を調べます。
より具体的には、mAP は Intersection-over-Union (IoU) 尺度を採用しており、AD の安全性の概念には特に適していません。
代わりに、Intersection-over-Ground-Truth (IoGT) 測定と、予測とグラウンド トゥルース間の距離比を使用して、より直接的な安全リフレクターとして新しい安全メトリックを提案します。
また、SmoothL1損失などの通常のものと比較して、オブジェクト検出器を改善し、その危険な予測を大幅に削減できる安全性を意識した損失関数を定式化します。
オープンソースのモデルと 2 つのデータセットを使用した私たちの実験は、私たちの考察と提案の妥当性を示しています。

要約(オリジナル)

Object detection is a key function in machine perception. Usually, their performance is evaluated based on accuracy metrics such as mean Average Precision (mAP). In this paper, we examine object detectors by their safety in the context of Autonomous Driving (AD). More concretely, we find mAP, which in turn employs the Intersection-over-Union (IoU) measure, not particularly suitable for the notion of safety in AD. Instead, we propose a novel safety metric as a more direct safety reflector, using the Intersection-over-Ground-Truth (IoGT) measure and a distance ratio between predictions and ground truths. We also formulate a safety-aware loss function that can improve an object detector and significantly reduce its unsafe predictions, compared to ordinary ones such as the SmoothL1 loss. Our experiments with open-sourced models and two datasets demonstrate the validity of our consideration and proposals.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google