論文の概要: Uncertainty Quantification for Bird's Eye View Semantic Segmentation: Methods and Benchmarks
- arxiv url: http://arxiv.org/abs/2405.20986v1
- Date: Fri, 31 May 2024 16:32:46 GMT
- ステータス: 処理完了
- システム内更新日: 2024-06-03 13:39:10.561790
- Title: Uncertainty Quantification for Bird's Eye View Semantic Segmentation: Methods and Benchmarks
- Title(参考訳): 鳥の視線セマンティックセグメンテーションの不確かさの定量化:方法とベンチマーク
- Authors: Linlin Yu, Bowen Yang, Tianhao Wang, Kangshuo Li, Feng Chen,
- Abstract要約: 本稿では,BEVセグメンテーションにおける予測不確実性定量化のためのベンチマークを提案する。
誤分類および非分布画素の識別における予測不確実性の有効性と校正に焦点が当てられている。
本研究では,不均衡なデータに対する不確実性-局所-クロス-エントロピー損失を提案し,セグメンテーションの品質とキャリブレーションを継続的に改善する。
- 参考スコア(独自算出の注目度): 10.193504550494486
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: The fusion of raw features from multiple sensors on an autonomous vehicle to create a Bird's Eye View (BEV) representation is crucial for planning and control systems. There is growing interest in using deep learning models for BEV semantic segmentation. Anticipating segmentation errors and improving the explainability of DNNs is essential for autonomous driving, yet it is under-studied. This paper introduces a benchmark for predictive uncertainty quantification in BEV segmentation. The benchmark assesses various approaches across three popular datasets using two representative backbones and focuses on the effectiveness of predicted uncertainty in identifying misclassified and out-of-distribution (OOD) pixels, as well as calibration. Empirical findings highlight the challenges in uncertainty quantification. Our results find that evidential deep learning based approaches show the most promise by efficiently quantifying aleatoric and epistemic uncertainty. We propose the Uncertainty-Focal-Cross-Entropy (UFCE) loss, designed for highly imbalanced data, which consistently improves the segmentation quality and calibration. Additionally, we introduce a vacuity-scaled regularization term that enhances the model's focus on high uncertainty pixels, improving epistemic uncertainty quantification.
- Abstract(参考訳): 自律走行車に搭載された複数のセンサーから生の機能を融合して、バードアイビュー(Bird's Eye View, BEV)表現を生成することは、計画と制御システムにとって不可欠である。
BEVセマンティックセグメンテーションにディープラーニングモデルを使うことへの関心が高まっている。
DNNのセグメンテーションエラーの予測と説明可能性の向上は、自律運転には不可欠であるが、未検討である。
本稿では,BEVセグメンテーションにおける予測不確実性定量化のためのベンチマークを提案する。
このベンチマークは、2つの代表的なバックボーンを用いて3つの一般的なデータセットにまたがる様々なアプローチを評価し、誤分類およびアウト・オブ・ディストリビューション(OOD)ピクセルの識別における予測不確実性の有効性とキャリブレーションに焦点を当てている。
実証的な発見は不確実性定量化の課題を浮き彫りにした。
以上の結果から,Aleatoric と epistemic uncertainty を効果的に定量化することで,明らかな深層学習に基づくアプローチが最も有望であることがわかった。
本研究では,不均衡なデータに対する不確実性-局所-クロス-エントロピー(UFCE)損失を提案し,セグメンテーションの品質とキャリブレーションを継続的に改善する。
さらに,高不確実性画素に焦点をあてる空洞スケール正規化項を導入し,疫学的な不確実性定量化を改善した。
関連論文リスト
- A Black-Box Evaluation Framework for Semantic Robustness in Bird's Eye View Detection [24.737984789074094]
我々は,BEVモデルを騙すために3つの一般的な意味摂動を逆向きに最適化するロバストネス評価フレームワークを開発する。
セマンティック摂動を最適化することで生じる課題に対処するため、mAPメトリックを置き換えるスムーズな距離に基づく代理関数を設計する。
最近の10種類のBEVモデルのセマンティックロバスト性に関するベンチマークを提供する。
論文 参考訳(メタデータ) (2024-12-18T14:53:38Z) - Uncertainty separation via ensemble quantile regression [23.667247644930708]
本稿では,不確実性推定と分離のための新しい,スケーラブルなフレームワークを提案する。
我々のフレームワークは大規模データセットにスケーラブルであり、合成ベンチマークで優れた性能を示す。
論文 参考訳(メタデータ) (2024-12-18T11:15:32Z) - Label-Confidence-Aware Uncertainty Estimation in Natural Language Generation [8.635811152610604]
不確実性定量化(UQ)は、AIシステムの安全性と堅牢性を保証するために不可欠である。
サンプルとラベルソース間の分岐に基づくラベル信頼度(LCA)の不確実性評価を提案する。
論文 参考訳(メタデータ) (2024-12-10T07:35:23Z) - Post-hoc Probabilistic Vision-Language Models [51.12284891724463]
視覚言語モデル(VLM)は、分類、検索、生成タスクにおいて顕著な成功を収めている。
追加トレーニングを必要としないVLMにおけるポストホック不確実性評価を提案する。
この結果から,大規模モデルの安全性クリティカルな応用が期待できることがわかった。
論文 参考訳(メタデータ) (2024-12-08T18:16:13Z) - Benchmarking and Improving Bird's Eye View Perception Robustness in Autonomous Driving [55.93813178692077]
本稿では,BEVアルゴリズムのレジリエンスを評価するためのベンチマークスイートであるRoboBEVを紹介する。
検出,マップセグメンテーション,深さ推定,占有予測といったタスクにまたがる33の最先端のBEVベースの知覚モデルを評価する。
また, 事前学習や深度自由なBEVトランスフォーメーションなどの戦略が, アウト・オブ・ディストリビューションデータに対するロバスト性を高める上で有効であることを示す。
論文 参考訳(メタデータ) (2024-05-27T17:59:39Z) - Towards Better Certified Segmentation via Diffusion Models [62.21617614504225]
セグメンテーションモデルは敵の摂動に弱いため、医療や自動運転といった重要な意思決定システムでの使用を妨げます。
近年,理論的保証を得るためにガウス雑音を入力に加えることにより,セグメント化予測のランダム化が提案されている。
本稿では,ランダムな平滑化と拡散モデルを組み合わせたセグメンテーション予測の問題に対処する。
論文 参考訳(メタデータ) (2023-06-16T16:30:39Z) - Lightweight, Uncertainty-Aware Conformalized Visual Odometry [2.429910016019183]
データ駆動型ビジュアルオドメトリー(VO)は、自律エッジロボティクスにとって重要なサブルーチンである。
昆虫スケールドローンや外科ロボットのような最先端ロボットデバイスは、VOの予測の不確実性を推定する計算的に効率的な枠組みを欠いている。
本稿では,共形推論(CI)を利用してVOの不確実な帯域を抽出する,新しい,軽量で統計的に堅牢なフレームワークを提案する。
論文 参考訳(メタデータ) (2023-03-03T20:37:55Z) - Uncertainty Estimation by Fisher Information-based Evidential Deep
Learning [61.94125052118442]
不確実性推定は、ディープラーニングを実用アプリケーションで信頼できるものにする鍵となる要素である。
漁業情報に基づくエビデンシャルディープラーニング(mathcalI$-EDL)を提案する。
特に,各サンプルが有する証拠の情報量を測定するためにFisher Information Matrix (FIM)を導入し,目的的損失項を動的に重み付けし,不確実なクラスの表現学習に集中させる。
論文 参考訳(メタデータ) (2023-03-03T16:12:59Z) - Towards Reliable Medical Image Segmentation by utilizing Evidential Calibrated Uncertainty [52.03490691733464]
本稿では,医療画像セグメンテーションネットワークにシームレスに統合可能な,実装が容易な基礎モデルであるDEviSを紹介する。
主観的論理理論を利用して、医用画像分割の問題に対する確率と不確実性を明示的にモデル化する。
DeviSには不確実性を考慮したフィルタリングモジュールが組み込まれている。
論文 参考訳(メタデータ) (2023-01-01T05:02:46Z) - Uncertainty-aware Panoptic Segmentation [21.89063036529791]
本稿では,不確実性を考慮したパノプティックセグメンテーションの課題を紹介する。
ピクセルごとのセマンティクスとインスタンスのセグメンテーションを予測し、画素ごとの不確実性を推定する。
本稿では,この課題を解決するために,トップダウンのエビデンシャル・パノプティクス・ネットワーク(EvPSNet)を提案する。
論文 参考訳(メタデータ) (2022-06-29T12:07:21Z) - Unlabelled Data Improves Bayesian Uncertainty Calibration under
Covariate Shift [100.52588638477862]
後続正則化に基づく近似ベイズ推定法を開発した。
前立腺癌の予後モデルを世界規模で導入する上で,本手法の有用性を実証する。
論文 参考訳(メタデータ) (2020-06-26T13:50:19Z)
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。