Cost-Sensitive Uncertainty-Based Failure Recognition for Object Detection

要約

現実世界のアプリケーションにおける物体検出器は、気象条件やノイズの多い入力などのさまざまな要因により、物体を検出できないことがよくあります。
したがって、誤検出を軽減するプロセスは、安全性と精度の両方にとって非常に重要です。
不確実性に基づくしきい値処理は有望である一方で、これまでの研究では、不確実性と検出エラーの間の相関関係が不完全であることが示されています。
これにより、理想的なしきい値処理が妨げられ、さまざまなタイプの不確実性との相関関係および関連コストをさらに調査する必要が生じます。
したがって、我々は、欠落検出と誤検出という 2 つのタイプのエラーに関するユーザー定義の予算に合わせた、オブジェクト検出のためのコスト重視のフレームワークを提案します。
パフォーマンスの低下を防ぐための最小しきい値要件を導き出し、障害認識に対する不確実性の適用可能性を評価するためのメトリクスを定義します。
さらに、しきい値処理プロセスを自動化および最適化して、障害認識率を最大化します。
指定された予算。
3 つの自動運転データセットの評価により、私たちのアプローチが、特に困難なシナリオにおいて安全性を大幅に向上させることが実証されました。
位置特定の偶然の不確実性とソフトマックス ベースのエントロピーのみを利用することで、私たちの方法は従来のアプローチと比較して故障認識率を 36 ～ 60\% 向上させます。
コードは https://mos-ks.github.io/publications で入手できます。

要約(オリジナル)

Object detectors in real-world applications often fail to detect objects due to varying factors such as weather conditions and noisy input. Therefore, a process that mitigates false detections is crucial for both safety and accuracy. While uncertainty-based thresholding shows promise, previous works demonstrate an imperfect correlation between uncertainty and detection errors. This hinders ideal thresholding, prompting us to further investigate the correlation and associated cost with different types of uncertainty. We therefore propose a cost-sensitive framework for object detection tailored to user-defined budgets on the two types of errors, missing and false detections. We derive minimum thresholding requirements to prevent performance degradation and define metrics to assess the applicability of uncertainty for failure recognition. Furthermore, we automate and optimize the thresholding process to maximize the failure recognition rate w.r.t. the specified budget. Evaluation on three autonomous driving datasets demonstrates that our approach significantly enhances safety, particularly in challenging scenarios. Leveraging localization aleatoric uncertainty and softmax-based entropy only, our method boosts the failure recognition rate by 36-60\% compared to conventional approaches. Code is available at https://mos-ks.github.io/publications.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google