[论文解读] Labels Are Not Perfect: Improving Probabilistic Object Detection via Label Uncertainty

Di Feng, Lars Rosenbaum+2 more|arXiv (Cornell University)|Aug 10, 2020

Advanced Neural Network Applications参考文献 20被引用 4

一句话总结

本文提出利用标签不确定性——通过真实边界框标注中的固有变异性估算——来改进基于概率的激光雷达目标检测。通过在训练中引入这种不确定性，该方法提升了检测精度，在KITTI数据集上相比基线方法和基于启发式的方法，平均精度（Average Precision）最高提升了3.6%。

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.

研究动机与目标

• 解决由于真实标签不完美而导致的概率目标检测不稳定与性能欠佳的问题。
• 通过建模真实边界框标注中的固有不确定性，改进目标检测中的不确定性估计。
• 通过不确定性感知训练提升基于激光雷达的检测器的检测精度。
• 超越基于启发式不确定性正则化和无监督不确定性学习的概率检测方法。

提出的方法

• 该方法从真实边界框标注中的变异性中估计标签不确定性，并将其视为可靠的不确定性先验。
• 将此标签不确定性整合到概率目标检测器的训练目标中，在优化过程中将其用作正则化项。
• 该方法使用可微分损失函数，同时考虑边界框回归中的预测不确定性与标签不确定性。
• 模型在KITTI数据集上端到端训练，使用激光雷达点云和标注的边界框。
• 标签不确定性通过同一对象的多个标注计算得出，捕捉了人工标注边界框的自然变异性。
• 该方法通过促使模型学习与真实世界标注变异性一致的更鲁棒的不确定性估计，从而提升检测性能。

实验结果

研究问题

• RQ1 建模标签不确定性是否能提升自动驾驶中概率目标检测的可靠性和准确性？
• RQ2 将真实标签不确定性纳入模型，与启发式或无监督不确定性正则化相比，对检测性能有何影响？
• RQ3 标签不确定性在多大程度上减少了概率检测器的训练不稳定性？
• RQ4 标签不确定性能否作为有意义的先验，用于改进基于激光雷达的目标检测中的不确定性估计？

主要发现

• 所提方法在KITTI数据集上相比基线模型，平均精度最高提升了3.6%。
• 该模型在使用简单启发式方法进行不确定性正则化的方案中表现更优，显示出更高的检测精度。
• 引入标签不确定性后，训练过程相比无监督不确定性学习方法更加稳定。
• 通过将模型预测与人工标注边界框的自然变异性对齐，该方法实现了更好的不确定性校准。
• 该改进在多个检测指标上均保持一致，表明性能提升具有鲁棒性。
• 结果验证了标签不确定性是提升真实世界场景下概率目标检测性能的宝贵信号。