Model-Agnostic Multi-Agent Perception Framework

要約

既存のマルチエージェント認識システムは、すべてのエージェントが同一のパラメーターとアーキテクチャを持つ同じモデルを利用することを前提としています。
信頼スコアの不一致により、異なる認識モデルではパフォーマンスが低下する可能性があります。
この作業では、モデル情報を共有することなく、モデルの不一致によって引き起こされる悪影響を減らすために、モデルに依存しないマルチエージェント認識フレームワークを提案します。
具体的には、予測信頼スコアのバイアスを排除できる信頼キャリブレータを提案します。
各エージェントは、知的財産を保護するために、標準の公開データベースでこのような調整を個別に実行します。
また、信頼スコアと隣接ボックスの空間的一致を考慮する、対応する境界ボックス集約アルゴリズムも提案します。
私たちの実験は、さまざまなエージェント間でのモデルのキャリブレーションの必要性に光を当て、結果は、提案されたフレームワークが異種エージェントのベースライン 3D オブジェクト検出パフォーマンスを改善することを示しています。

要約(オリジナル)

Existing multi-agent perception systems assume that every agent utilizes the same model with identical parameters and architecture. The performance can be degraded with different perception models due to the mismatch in their confidence scores. In this work, we propose a model-agnostic multi-agent perception framework to reduce the negative effect caused by the model discrepancies without sharing the model information. Specifically, we propose a confidence calibrator that can eliminate the prediction confidence score bias. Each agent performs such calibration independently on a standard public database to protect intellectual property. We also propose a corresponding bounding box aggregation algorithm that considers the confidence scores and the spatial agreement of neighboring boxes. Our experiments shed light on the necessity of model calibration across different agents, and the results show that the proposed framework improves the baseline 3D object detection performance of heterogeneous agents.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google