EvCenterNet: Uncertainty Estimation for Object Detection using Evidential Learning

要約

不確実性の推定は、高度な意思決定や経路計画を含むいくつかの下流タスクに貴重な情報を提供するため、自動運転などのセーフティクリティカルな設定において極めて重要である。本研究では、分類と回帰の不確実性を直接推定するために、証拠学習を利用した不確実性を考慮した新しい2次元物体検出フレームワークであるEvCenterNetを提案する。物体検出に証拠能力学習を用いるために、疎なヒートマップ入力に対して、証拠能力損失関数と焦点損失関数の組み合わせを考案する。また、回帰とヒートマップ予測にクラスバランス加重を導入し、証拠能力学習で発生するクラスの不均衡に対処する。さらに、予測されたヒートマップの不確実性を積極的に利用し、最も不確実な地点に焦点を当てることで検出性能を向上させる学習方式を提案する。我々は、KITTIデータセットでモデルを訓練し、BDD100KやnuImagesを含む困難な分布外データセットで評価する。実験により、我々のアプローチはベースモデルに対して精度を向上させ、実行時間の損失を最小化することが実証された。

要約(オリジナル)

Uncertainty estimation is crucial in safety-critical settings such as automated driving as it provides valuable information for several downstream tasks including high-level decision-making and path planning. In this work, we propose EvCenterNet, a novel uncertainty-aware 2D object detection framework utilizing evidential learning to directly estimate both classification and regression uncertainties. To employ evidential learning for object detection, we devise a combination of evidential and focal loss functions for the sparse heatmap inputs. We introduce class-balanced weighting for regression and heatmap prediction to tackle the class imbalance encountered by evidential learning. Moreover, we propose a learning scheme to actively utilize the predicted heatmap uncertainties to improve the detection performance by focusing on the most uncertain points. We train our model on the KITTI dataset and evaluate it on challenging out-of-distribution datasets including BDD100K and nuImages. Our experiments demonstrate that our approach improves the precision and minimizes the execution time loss in relation to the base model.

arxiv情報

提供元, 利用サービス

arxiv.jp, DeepL