EvCenterNet: Uncertainty Estimation for Object Detection using Evidential Learning

要約

不確実性の推定は、高レベルの意思決定や経路計画など、いくつかの下流タスクに貴重な情報を提供するため、自動運転などの安全性が重要な設定において非常に重要です。
この研究では、証拠学習を使用して分類と回帰の不確実性の両方を直接推定する、新しい不確実性を認識した 2D オブジェクト検出フレームワークである EvCenterNet を提案します。
物体検出に証拠学習を採用するために、疎ヒートマップ入力に対する証拠損失関数と焦点損失関数の組み合わせを考案します。
証拠学習で遭遇するクラスの不均衡に対処するために、回帰およびヒートマップ予測にクラスバランスのとれた重み付けを導入します。
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て、最も不確実な点に焦点を当てて検出パフォーマンスを向上させる学習スキームを提案します。
私たちは KITTI データセットでモデルをトレーニングし、BDD100K や nuImages などの困難な分布外データセットでそれを評価します。
私たちの実験は、私たちのアプローチが基本モデルと比較して精度を向上させ、実行時間の損失を最小限に抑えることを示しています。

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 using 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, Google