LMD: Light-weight Prediction Quality Estimation for Object Detection in Lidar Point Clouds

要約

Lidar 点群データ上の物体検出は、自動運転とロボット工学にとって有望なテクノロジーであり、近年パフォーマンスと精度が大幅に向上しています。
特に不確実性の推定は下流のタスクにとって重要な要素であり、ディープ ニューラル ネットワークは信頼性の高い予測であってもエラーが発生しやすいままです。
予測の不確実性を定量化するために以前に提案された方法は、検出器のトレーニング スキームを変更するか、予測サンプリングに依存する傾向があり、その結果、推論時間が大幅に増加します。
これら 2 つの問題に対処するために、予測品質推定のための軽量の後処理スキームである LidarMetaDetect (LMD) を提案します。
私たちの方法は、ベースモデルを何も変更することなく、事前にトレーニングされた任意の Lidar 物体検出器に簡単に追加でき、純粋に後処理に基づいているため、計算のオーバーヘッドはごくわずかです。
私たちの実験では、正しい予測と誤った予測を区別する際の統計的信頼性が大幅に向上していることがわかりました。
私たちは、注釈エラーの検出につながるこの方法の追加のアプリケーションを提案し、評価します。
明示的なサンプルとアノテーション エラー提案の控えめな数は、KITTI や nuScenes のような大規模なデータセットに対するこの手法の実行可能性を示しています。
広く使用されている nuScenes テスト データセットでは、私たちの手法の上位 100 件の提案のうち 43 件で実際に誤ったアノテーションが示されています。

要約(オリジナル)

Object detection on Lidar point cloud data is a promising technology for autonomous driving and robotics which has seen a significant rise in performance and accuracy during recent years. Particularly uncertainty estimation is a crucial component for down-stream tasks and deep neural networks remain error-prone even for predictions with high confidence. Previously proposed methods for quantifying prediction uncertainty tend to alter the training scheme of the detector or rely on prediction sampling which results in vastly increased inference time. In order to address these two issues, we propose LidarMetaDetect (LMD), a light-weight post-processing scheme for prediction quality estimation. Our method can easily be added to any pre-trained Lidar object detector without altering anything about the base model and is purely based on post-processing, therefore, only leading to a negligible computational overhead. Our experiments show a significant increase of statistical reliability in separating true from false predictions. We propose and evaluate an additional application of our method leading to the detection of annotation errors. Explicit samples and a conservative count of annotation error proposals indicates the viability of our method for large-scale datasets like KITTI and nuScenes. On the widely-used nuScenes test dataset, 43 out of the top 100 proposals of our method indicate, in fact, erroneous annotations.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google