論文の概要: Uncertainty Estimation for 3D Object Detection via Evidential Learning

• arxiv url: http://arxiv.org/abs/2410.23910v1
• Date: Thu, 31 Oct 2024 13:13:32 GMT
• ステータス: 翻訳完了
• システム内更新日: 2024-11-01 17:01:43.514142
• Title: Uncertainty Estimation for 3D Object Detection via Evidential Learning
• Title（参考訳）: 証拠学習による3次元物体検出の不確かさ推定
• Authors: Nikita Durasov, Rafid Mahmood, Jiwoong Choi, Marc T. Law, James Lucas, Pascal Fua, Jose M. Alvarez,
• Abstract要約: 本稿では,3次元検出器における鳥の視線表示における明らかな学習損失を利用して,3次元物体検出の不確かさを定量化するためのフレームワークを提案する。 本研究では,これらの不確実性評価の有効性と重要性を,分布外シーンの特定,局所化の不十分な物体の発見,および(偽陰性)検出の欠如について示す。
• 参考スコア（独自算出の注目度）: 63.61283174146648
• License:
• Abstract: 3D object detection is an essential task for computer vision applications in autonomous vehicles and robotics. However, models often struggle to quantify detection reliability, leading to poor performance on unfamiliar scenes. We introduce a framework for quantifying uncertainty in 3D object detection by leveraging an evidential learning loss on Bird's Eye View representations in the 3D detector. These uncertainty estimates require minimal computational overhead and are generalizable across different architectures. We demonstrate both the efficacy and importance of these uncertainty estimates on identifying out-of-distribution scenes, poorly localized objects, and missing (false negative) detections; our framework consistently improves over baselines by 10-20% on average. Finally, we integrate this suite of tasks into a system where a 3D object detector auto-labels driving scenes and our uncertainty estimates verify label correctness before the labels are used to train a second model. Here, our uncertainty-driven verification results in a 1% improvement in mAP and a 1-2% improvement in NDS.
• Abstract（参考訳）: 3Dオブジェクト検出は、自動運転車やロボット工学におけるコンピュータビジョン応用に不可欠なタスクである。 しかし、モデルはしばしば検出信頼性の定量化に苦慮し、不慣れな場面では性能が低下する。 本研究では,3次元検出器における鳥の視線表示における明らかな学習損失を利用して,3次元物体検出の不確かさを定量化するためのフレームワークを提案する。 これらの不確実性推定は最小限の計算オーバーヘッドを必要とし、異なるアーキテクチャで一般化可能である。 我々は,これらの不確実性評価の有効性と重要性を両立し,分布外シーンの同定,局所的対象の低さ,(負の)検出の欠如について示す。 最後に、この一連のタスクを、3Dオブジェクト検出器が自動ラベル駆動シーンを駆動するシステムに統合し、不確実性評価によりラベルが第2モデルのトレーニングに使用される前にラベルの正しさを検証する。 その結果,mAPは1%改善し,NDSは1-2%改善した。

関連論文リスト

• CatFree3D: Category-agnostic 3D Object Detection with Diffusion [63.75470913278591]
  本稿では,2次元検出と深度予測から3次元検出を分離するパイプラインを提案する。 また,3次元検出結果の正確な評価のために,正規化ハンガリー距離(NHD)指標も導入した。
  論文  参考訳（メタデータ） (2024-08-22T22:05:57Z)
• Calib3D: Calibrating Model Preferences for Reliable 3D Scene Understanding [55.32861154245772]
  Calib3Dは3Dシーン理解モデルの信頼性をベンチマークし精査する先駆的な試みである。 10種類の3Dデータセットにわたる28の最先端モデルを評価した。 本稿では,3次元モデルのキャリブレーション向上を目的とした,深度対応のスケーリング手法であるDeptSを紹介する。
  論文  参考訳（メタデータ） (2024-03-25T17:59:59Z)
• Run-time Introspection of 2D Object Detection in Automated Driving Systems Using Learning Representations [13.529124221397822]
  ディープニューラルネットワーク(DNN)に基づく2次元物体検出のための新しいイントロスペクションソリューションを提案する。 KITTIとBDDのデータセットで評価された1段階および2段階のオブジェクト検出器を用いて,2次元オブジェクト検出におけるエラー検出のためのSOTAイントロスペクション機構を実装した。 性能評価の結果,提案手法はSOTA法より優れており,BDDデータセットのエラー率を9%から17%まで絶対的に削減できることがわかった。
  論文  参考訳（メタデータ） (2024-03-02T10:56:14Z)
• Robustness-Aware 3D Object Detection in Autonomous Driving: A Review and Outlook [19.539295469044813]
  本研究は,現実シナリオ下での知覚システム評価において,精度と遅延とともに頑健性の重要性を強調した。 我々の研究は、カメラのみ、LiDARのみ、マルチモーダルな3Dオブジェクト検出アルゴリズムを広範囲に調査し、精度、レイテンシ、堅牢性の間のトレードオフを徹底的に評価する。 これらのうち、多モード3D検出手法は優れた堅牢性を示し、新しい分類法を導入し、文献を改良して明瞭性を高める。
  論文  参考訳（メタデータ） (2024-01-12T12:35:45Z)
• Uncertainty-Aware AB3DMOT by Variational 3D Object Detection [74.8441634948334]
  不確実性推定は統計的に正確な予測を提供する効果的なツールである。 本稿では,変分ニューラルネットワークを用いたTANet 3Dオブジェクト検出器を提案し,不確実性のある3Dオブジェクト検出を行う。
  論文  参考訳（メタデータ） (2023-02-12T14:30:03Z)
• Uncertainty-Aware Camera Pose Estimation from Points and Lines [101.03675842534415]
  Perspective-n-Point-and-Line (Pn$PL) は、2D-3D特徴座標の3Dモデルに関して、高速で正確で堅牢なカメラローカライゼーションを目指している。
  論文  参考訳（メタデータ） (2021-07-08T15:19:36Z)
• Delving into Localization Errors for Monocular 3D Object Detection [85.77319416168362]
  単眼画像から3Dバウンディングボックスを推定することは、自動運転に不可欠な要素です。 本研究では, 各サブタスクがもたらす影響を定量化し, 局所化誤差を求めることが, モノクロ3次元検出の抑制に欠かせない要因である。
  論文  参考訳（メタデータ） (2021-03-30T10:38:01Z)
• Uncertainty-Aware Voxel based 3D Object Detection and Tracking with von-Mises Loss [13.346392746224117]
  不確実性は、認識システムのエラーに対処し、堅牢性を改善するのに役立ちます。 本稿では,SECOND検出器に不確実性レグレッションを追加することにより,目標追尾性能を向上させる手法を提案する。
  論文  参考訳（メタデータ） (2020-11-04T21:53:31Z)

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。