Uncertainty Quantification for Bird’s Eye View Semantic Segmentation: Methods and Benchmarks

要約

自動運転車上の複数のセンサーから得られる生の特徴を融合して鳥瞰図 (BEV) 表現を作成することは、システムの計画と制御にとって非常に重要です。
BEV セマンティック セグメンテーションに深層学習モデルを使用することへの関心が高まっています。
セグメンテーションエラーを予測し、DNN の説明可能性を向上させることは自動運転にとって不可欠ですが、まだ研究が不足しています。
この論文では、BEV セグメンテーションにおける予測不確実性の定量化のためのベンチマークを紹介します。
このベンチマークは、2 つの代表的なバックボーンを使用して 3 つの一般的なデータセットにわたるさまざまなアプローチを評価し、誤分類されたピクセルや分布外 (OOD) ピクセルの特定、およびキャリブレーションにおける予測不確実性の有効性に焦点を当てています。
経験的な調査結果は、不確実性の定量化における課題を浮き彫りにしています。
私たちの結果では、証拠に基づいた深層学習ベースのアプローチが、偶然性と認識論的な不確実性を効率的に定量化することで最も有望であることがわかりました。
私たちは、セグメンテーションの品質とキャリブレーションを一貫して向上させる、非常に不均衡なデータ向けに設計された Uncertainty-F​​ocal-Cross-Entropy (UFCE) 損失を提案します。
さらに、不確実性の高いピクセルに対するモデルの焦点を強化し、認識的な不確実性の定量化を向上させる、空隙スケールの正則化項を導入します。

要約(オリジナル)

The fusion of raw features from multiple sensors on an autonomous vehicle to create a Bird’s Eye View (BEV) representation is crucial for planning and control systems. There is growing interest in using deep learning models for BEV semantic segmentation. Anticipating segmentation errors and improving the explainability of DNNs is essential for autonomous driving, yet it is under-studied. This paper introduces a benchmark for predictive uncertainty quantification in BEV segmentation. The benchmark assesses various approaches across three popular datasets using two representative backbones and focuses on the effectiveness of predicted uncertainty in identifying misclassified and out-of-distribution (OOD) pixels, as well as calibration. Empirical findings highlight the challenges in uncertainty quantification. Our results find that evidential deep learning based approaches show the most promise by efficiently quantifying aleatoric and epistemic uncertainty. We propose the Uncertainty-Focal-Cross-Entropy (UFCE) loss, designed for highly imbalanced data, which consistently improves the segmentation quality and calibration. Additionally, we introduce a vacuity-scaled regularization term that enhances the model’s focus on high uncertainty pixels, improving epistemic uncertainty quantification.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google