論文の概要: Calibrated Perception Uncertainty Across Objects and Regions in Bird's-Eye-View

• arxiv url: http://arxiv.org/abs/2211.04340v1
• Date: Tue, 8 Nov 2022 16:01:17 GMT
• ステータス: 処理完了
• システム内更新日: 2022-11-09 16:47:54.527571
• Title: Calibrated Perception Uncertainty Across Objects and Regions in Bird's-Eye-View
• Title（参考訳）: 鳥眼視における物体と領域間の知覚不確かさの校正
• Authors: Markus K\"angsepp, Meelis Kull
• Abstract要約: 我々は、最先端の限界を強調し、報告すべき不確実性のより完全なセットを提案する。 得られた確率が既定値外校正されていないことを実証し、よく校正された不確実性を実現する方法を提案する。
• 参考スコア（独自算出の注目度）: 2.3943776585660976
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: In driving scenarios with poor visibility or occlusions, it is important that the autonomous vehicle would take into account all the uncertainties when making driving decisions, including choice of a safe speed. The grid-based perception outputs, such as occupancy grids, and object-based outputs, such as lists of detected objects, must then be accompanied by well-calibrated uncertainty estimates. We highlight limitations in the state-of-the-art and propose a more complete set of uncertainties to be reported, particularly including undetected-object-ahead probabilities. We suggest a novel way to get these probabilistic outputs from bird's-eye-view probabilistic semantic segmentation, in the example of the FIERY model. We demonstrate that the obtained probabilities are not calibrated out-of-the-box and propose methods to achieve well-calibrated uncertainties.
• Abstract（参考訳）: 可視性や閉塞性に乏しい運転シナリオでは、安全速度の選択を含む運転判断を行う際の不確実性をすべて考慮しておくことが重要である。 占有格子のようなグリッドベースの知覚出力と、検出対象のリストのようなオブジェクトベースの出力は、よく校正された不確実性推定を伴わなければならない。 我々は最先端の限界を強調し、特に未検出物体の頭頂確率を含む、報告すべき不確実性の完全なセットを提案する。 本研究では,鳥眼ビューの確率的セマンティックセグメンテーションからこれらの確率的アウトプットを得る新しい方法を提案する。 得られた確率は事前調整されていないことを実証し,十分な不確実性を達成する方法を提案する。

関連論文リスト

• Unsupervised Self-Driving Attention Prediction via Uncertainty Mining and Knowledge Embedding [51.8579160500354]
  本研究では、不確実性モデリングと知識統合の駆動による自動運転の注意を予測できる教師なし手法を提案する。 結果は、完全に教師された最先端のアプローチと比較して、同等またはさらに印象的なパフォーマンスを示している。
  論文  参考訳（メタデータ） (2023-03-17T00:28:33Z)
• Bayesian autoencoders with uncertainty quantification: Towards trustworthy anomaly detection [78.24964622317634]
  本研究では, ベイズオートエンコーダ (BAEs) の定式化により, 全体の異常不確かさを定量化する。 不確実性の質を評価するために,不確実性の予測を拒否するオプションを追加して,異常を分類する作業を検討する。 本実験は,BAEと総異常不確かさが,ベンチマークデータセットと製造用実データセットのセットに与える影響を実証するものである。
  論文  参考訳（メタデータ） (2022-02-25T12:20:04Z)
• Dense Uncertainty Estimation via an Ensemble-based Conditional Latent Variable Model [68.34559610536614]
  我々は、アレータリック不確実性はデータの固有の特性であり、偏見のないオラクルモデルでのみ正確に推定できると論じる。 そこで本研究では,軌道不確実性推定のためのオラクルモデルを近似するために,列車時の新しいサンプリングと選択戦略を提案する。 以上の結果から,提案手法は精度の高い決定論的結果と確実な不確実性推定の両方を達成できることが示唆された。
  論文  参考訳（メタデータ） (2021-11-22T08:54:10Z)
• CertainNet: Sampling-free Uncertainty Estimation for Object Detection [65.28989536741658]
  ニューラルネットワークの不確実性を推定することは、安全クリティカルな設定において基本的な役割を果たす。 本研究では,オブジェクト検出のための新しいサンプリング不要不確実性推定法を提案する。 私たちはそれをCertainNetと呼び、各出力信号に対して、オブジェクト性、クラス、位置、サイズという、別の不確実性を提供するのは、これが初めてです。
  論文  参考訳（メタデータ） (2021-10-04T17:59:31Z)
• An Uncertainty Estimation Framework for Probabilistic Object Detection [5.83620245905973]
  本稿では,物体検出における不確実性を推定する2つの一般的な手法を組み合わせた新しい手法を提案する。 我々のフレームワークは、予測の不確実性を近似するために、深いアンサンブルとモンテカルロのドロップアウトを利用する。
  論文  参考訳（メタデータ） (2021-06-28T22:29:59Z)
• Learning Uncertainty For Safety-Oriented Semantic Segmentation In Autonomous Driving [77.39239190539871]
  自律運転における安全クリティカル画像セグメンテーションを実現するために、不確実性推定をどのように活用できるかを示す。 相似性関数によって測定された不一致予測に基づく新しい不確実性尺度を導入する。 本研究では,提案手法が競合手法よりも推論時間において計算集約性が低いことを示す。
  論文  参考訳（メタデータ） (2021-05-28T09:23:05Z)
• Uncertainty as a Form of Transparency: Measuring, Communicating, and Using Uncertainty [66.17147341354577]
  我々は,モデル予測に関連する不確実性を推定し,伝達することにより,相補的な透明性の形式を考えることについて議論する。 モデルの不公平性を緩和し、意思決定を強化し、信頼できるシステムを構築するために不確実性がどのように使われるかを説明する。 この研究は、機械学習、可視化/HCI、デザイン、意思決定、公平性にまたがる文学から引き出された学際的レビューを構成する。
  論文  参考訳（メタデータ） (2020-11-15T17:26:14Z)
• Labels Are Not Perfect: Improving Probabilistic Object Detection via Label Uncertainty [12.531126969367774]
  これまでに提案した手法を用いて,真理境界ボックスパラメータに固有の不確かさを推定する。 KITTIデータセットを用いた実験結果から,本手法はベースラインモデルとモデルの両方を,平均精度で最大3.6%の精度で上回ることがわかった。
  論文  参考訳（メタデータ） (2020-08-10T14:49:49Z)
• Inferring Spatial Uncertainty in Object Detection [35.28872968233385]
  本稿では,LiDAR点雲から境界ボックスラベルの不確かさを推定する生成モデルを提案する。 総合実験により,提案モデルが運転シナリオでよく見られる不確実性を表すことを示す。 ラベルの不確実性を考慮した新しい評価指標として,Jaccard IoU(JIoU)と呼ばれるIoUの拡張を提案する。
  論文  参考訳（メタデータ） (2020-03-07T19:29:43Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。