Daily Arxiv

Cette page résume et organise les publications en intelligence artificielle du monde entier.
Les contenus sont synthétisés grâce à Google Gemini et le service est proposé à but non lucratif.
Les droits d'auteur des articles appartiennent à leurs auteurs ou institutions respectives ; en cas de partage, il suffit d'en mentionner la source.

Segmentation panoptique LiDAR à ensemble ouvert guidée par l'apprentissage sensible à l'incertitude

Created by
  • Haebom

Auteur

Rohit Mohan, Julia Hindel, Florian Drews, Claudius Glaser, Daniele Cattaneo, Abhinav Valada

Contour

Dans cet article, nous proposons ULOPS, un cadre de segmentation de panorama en ensembles ouverts basé sur l'incertitude pour la détection d'instances d'objets inconnus. Ce cadre s'appuie sur l'apprentissage des preuves basé sur Dirichlet pour modéliser l'incertitude de prédiction et intègre la segmentation sémantique avec l'estimation de l'incertitude, les plongements pour l'association de prototypes et un décodeur distinct pour la prédiction centrée sur l'instance. Les instances inconnues sont identifiées et segmentées à l'aide d'estimations de l'incertitude pendant le processus d'inférence. Pour améliorer la capacité du modèle à distinguer les objets connus des objets inconnus, nous introduisons trois fonctions de perte basées sur l'incertitude : la perte uniforme de preuve, la perte adaptative de séparation d'incertitude et la perte contrastive d'incertitude. Nous évaluons les performances en ensembles ouverts en étendant le benchmark KITTI-360 et en introduisant une nouvelle évaluation en ensembles ouverts sur nuScenes, démontrant expérimentalement que notre cadre surpasse les méthodes existantes.

Takeaways, Limitations_

•
Takeaways:
◦
Nous présentons une nouvelle méthode pour résoudre efficacement le problème de segmentation de panoramas ouverts en modélisant l'incertitude à l'aide de l'apprentissage des preuves basé sur Dirichlet.
◦
Amplifiez efficacement la différence d’incertitude entre les objets connus et inconnus grâce à trois fonctions de perte basées sur l’incertitude.
◦
Nous avons vérifié sa praticabilité en démontrant des performances supérieures par rapport aux méthodes existantes sur les ensembles de données KITTI-360 et nuScenes.
◦
Application d'une nouvelle méthode d'évaluation d'ensemble ouvert à l'ensemble de données nuScenes pour fournir des critères d'évaluation objectifs pour les problèmes d'ensemble ouvert.
•
Limitations:
◦
L’amélioration des performances de la méthode proposée peut être limitée à des ensembles de données spécifiques.
◦
Des recherches supplémentaires sont nécessaires sur les performances de généralisation dans divers environnements et conditions.
◦
Il convient de prendre en compte les coûts de calcul et les performances de traitement en temps réel pour l’application aux systèmes de conduite autonome réels.
◦
Des études plus approfondies sont nécessaires sur la généralisabilité et la validité des nouvelles méthodes d’évaluation des ensembles ouverts.
👍
Made with Slashpage