Adaptive Bounding Box Uncertainties via Two-Step Conformal Prediction

要約

モデルの予測不確実性を定量化することは、自動運転などの安全性が重要なアプリケーションにとって不可欠です。
我々は、複数物体検出のためにそのような不確実性を定量化することを検討します。
特に、等角予測を利用して、オブジェクトの境界ボックスの範囲が保証された不確実性区間を取得します。
その際の 1 つの課題は、バウンディング ボックスの予測がオブジェクトのクラス ラベルに基づいて条件付けされることです。
したがって、予測されたクラスラベルの不確実性を境界ボックスの不確実性区間に伝播する、新しい 2 段階の等角アプローチを開発します。
これにより、誤って分類されたオブジェクトを含めるコンフォーマルカバレッジ保証の有効性が広がり、より実用的な安全保証が提供されます。
さらに、境界ボックスの間隔がオブジェクトのサイズに適応できるようにするための新しいアンサンブルおよび分位点回帰定式化を調査し、よりバランスのとれたカバレッジを実現します。
2D 境界ボックスの位置特定のための実世界のデータセットに対する 2 段階のアプローチを検証すると、実質的に狭い予測不確実性区間で望ましいカバレッジ レベルが満たされることがわかります。

要約(オリジナル)

Quantifying a model’s predictive uncertainty is essential for safety-critical applications such as autonomous driving. We consider quantifying such uncertainty for multi-object detection. In particular, we leverage conformal prediction to obtain uncertainty intervals with guaranteed coverage for object bounding boxes. One challenge in doing so is that bounding box predictions are conditioned on the object’s class label. Thus, we develop a novel two-step conformal approach that propagates uncertainty in predicted class labels into the uncertainty intervals of bounding boxes. This broadens the validity of our conformal coverage guarantees to include incorrectly classified objects, thus offering more actionable safety assurances. Moreover, we investigate novel ensemble and quantile regression formulations to ensure the bounding box intervals are adaptive to object size, leading to a more balanced coverage. Validating our two-step approach on real-world datasets for 2D bounding box localization, we find that desired coverage levels are satisfied with practically tight predictive uncertainty intervals.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google