[논문 리뷰] Labels Are Not Perfect: Improving Probabilistic Object Detection via Label Uncertainty

Di Feng, Lars Rosenbaum외 2명|arXiv (Cornell University)|2020. 08. 10.

Advanced Neural Network Applications참고 문헌 20인용 수 4

한 줄 요약

이 논문은 지도 학습에서의 기저값 경계상자 레이블에 내재된 변동성으로부터 추정된 레이블 불확실성을 활용하여 확률적 LiDAR 기반 객체 검출을 향상시키는 방법을 제안한다. 이 불확실성을 학습에 통합함으로써 검출 정확도가 향상되며, 기준 모델 및 히우리스틱 기반 접근법 대비 KITTI 데이터셋에서 최대 3.6% 높은 평균 정밀도를 달성한다.

ABSTRACT

Reliable uncertainty estimation is crucial for robust object detection in autonomous driving. However, previous works on probabilistic object detection either learn predictive probability for bounding box regression in an un-supervised manner, or use simple heuristics to do uncertainty regularization. This leads to unstable training or suboptimal detection performance. In this work, we leverage our previously proposed method for estimating uncertainty inherent in ground truth bounding box parameters (which we call label uncertainty) to improve the detection accuracy of a probabilistic LiDAR-based object detector. Experimental results on the KITTI dataset show that our method surpasses both the baseline model and the models based on simple heuristics by up to 3.6% in terms of Average Precision.

연구 동기 및 목표

• 완벽하지 않은 기저값 레이블로 인한 확률적 객체 검출의 불안정성과 열악한 성능을 해결하기 위해.
• 기저값 경계상자 레이블에 내재된 불확실성을 모델링하여 객체 검출의 불확실성 추정을 향상시키기 위해.
• 불확실성 인식 학습을 통해 LiDAR 기반 검출기의 검출 정확도를 향상시키기 위해.
• 히우리스틱 기반 불확실성 정규화나 비지도 학습 기반 불확실성 학습을 넘어서기 위해.

제안 방법

• 해당 방법는 기저값 경계상자 레이블의 변동성에서 레이블 불확실성을 추정하여, 이를 신뢰할 수 있는 불확실성 사전으로 간주한다.
• 이 레이블 불확실성을 확률적 객체 검출기의 학습 목표에 통합하여 최적화 과정에서 정규화자로 활용한다.
• 예측 불확실성과 레이블 불확실성을 모두 고려한 미분 가능한 손실 함수를 사용하여 경계상자 회귀에 적용한다.
• LiDAR 포인트 클라우드와 레이블된 경계상자 데이터를 사용하여 KITTI 데이터셋에서 종단간 학습을 수행한다.
• 동일한 객체에 대한 다수의 레이블을 기반으로 레이블 불확실성을 계산하여 인간 레이블러에 의한 경계상자에 내재된 자연스러운 변동성을 캡처한다.
• 모델이 실제 레이블의 변동성과 일치하는 더 견고한 불확실성 추정치를 학습하도록 유도함으로써 검출 성능을 향상시킨다.

실험 결과

연구 질문

• RQ1 레이블 불확실성을 모델링하면 자율주행 환경에서 확률적 객체 검출의 신뢰성과 정확도가 향상되는가?
• RQ2 기저값 레이블 불확실성을 히우리스틱 또는 비지도 학습 기반 불확실성 정규화와 비교했을 때 검출 성능에 어떤 영향을 미치는가?
• RQ3 레이블 불확실성은 얼마나 많은 정도로 확률적 검출기의 학습 불안정성을 감소시키는가?
• RQ4 레이블 불확실성은 LiDAR 기반 객체 검출에서 불확실성 추정을 향상시키는 의미 있는 사전으로 기능할 수 있는가?

주요 결과

• 제안된 방법은 KITTI 데이터셋에서 기준 모델 대비 최대 3.6% 높은 평균 정밀도를 달성한다.
• 단순한 히우리스틱 기반 불확실성 정규화를 사용하는 접근법보다 성능이 뛰어나 더 높은 검출 정확도를 보여준다.
• 레이블 불확실성을 통합함으로써 비지도 학습 기반 불확실성 학습 방법보다 더 안정적인 학습을 이룬다.
• 모델 예측을 인간 레이블러가 생성한 경계상자에 내재된 자연스러운 변동성과 일치시킴으로써 더 나은 불확실성 캘리브레이션을 달성한다.
• 다양한 검출 메트릭에서 일관된 성능 향상이 나타나, 강력한 성능 향상이 있음을 시사한다.
• 결과적으로 레이블 불확실성이 실제 환경에서 확률적 객체 검출을 향상시키는 유의미한 신호임을 검증한다.