Optical aberrations in autonomous driving: Physics-informed parameterized temperature scaling for neural network uncertainty calibration

要約

「不確実性の信頼できる表現が望ましいものであり、機械学習方法の重要な特徴と見なされるべきです」（Huellermeier and Waegeman、2021）。
Huellermeier et alのこの結論。
校正された不確実性の重要性を支えています。
AIベースのアルゴリズムはデータセットシフトの大きな影響を受けているため、自動車産業は、可能なあらゆる偶発性に対してシステムを保護する必要があります。
1つは重要ですが、しばしば無視されるデータセットシフトは、フロントガラスによって誘発される光学異常によって引き起こされます。
Perception Systemのパフォーマンスを検証するには、AIパフォーマンスに関する要件を、生物マッピングにより光学メトリックに変換する必要があります。
この生物多様なマッピングを考えると、光学システムの特性がデータセットシフトの大きさに関する追加情報を追加することは明らかです。
結果として、AIターゲットアプリケーションの堅牢性と信頼性を高めるために、ニューラルネットワークキャリブレーションアーキテクチャに物理的誘導バイアスを組み込むことを提案します。これは、例としてセマンティックセグメンテーションタスクを使用することで実証します。
光学システムのZernike係数ベクトルを物理的な事前として利用することにより、光学異常の場合に平均予想キャリブレーション誤差を大幅に減らすことができます。
その結果、私たちは信頼できる不確実性の表現と知覚チェーンの全体的な検証戦略への道を開いています。

要約(オリジナル)

‘A trustworthy representation of uncertainty is desirable and should be considered as a key feature of any machine learning method’ (Huellermeier and Waegeman, 2021). This conclusion of Huellermeier et al. underpins the importance of calibrated uncertainties. Since AI-based algorithms are heavily impacted by dataset shifts, the automotive industry needs to safeguard its system against all possible contingencies. One important but often neglected dataset shift is caused by optical aberrations induced by the windshield. For the verification of the perception system performance, requirements on the AI performance need to be translated into optical metrics by a bijective mapping. Given this bijective mapping it is evident that the optical system characteristics add additional information about the magnitude of the dataset shift. As a consequence, we propose to incorporate a physical inductive bias into the neural network calibration architecture to enhance the robustness and the trustworthiness of the AI target application, which we demonstrate by using a semantic segmentation task as an example. By utilizing the Zernike coefficient vector of the optical system as a physical prior we can significantly reduce the mean expected calibration error in case of optical aberrations. As a result, we pave the way for a trustworthy uncertainty representation and for a holistic verification strategy of the perception chain.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google