GeoDrive-Bench: Benchmarking Region-Specific Multimodal Reasoning in Autonomous Driving
University of Wisconsin-Madison（威斯康星大学麦迪逊分校）；Johns Hopkins University（约翰霍普金斯大学）
提出GeoDrive-Bench基准，通过5053个跨六国人工验证的多选题，评估视觉语言模型在感知、预测、规划和区域推理四个驾驶任务中基于区域特定交通规则的推理能力，并设计蒸馏算法注入区域知识以提升模型性能。
2026-06-01 cs.CV
Safety-aware Motion Prediction with Unseen Vehicles for Autonomous Driving
HKUST（香港科技大学）；Alexa AI, Amazon（亚马逊Alexa AI）；EPFL（洛桑联邦理工学院）
由于复杂环境中的不确定性以及由遮挡和有限的传感器范围引起的有限的可见性，车辆的运动预测是关键的，但具有挑战性。在本文中，我们研究了一个新的任务，安全意识的运动预测与看不见的车辆自动驾驶。与现有的轨迹预测任务，看到的车辆，我们的目标是预测的占用地图，指示最早的时间时，每个位置可以被看到和看不见的车辆。预测看不见的车辆的能力对于自动驾驶的安全性至关重要。为了解决这一具有挑战性的任务，我们提出了一个具有安全意识的深度学习模型，该模型具有三个新的损失函数来预测最早的占用地图。在大规模自动驾驶nuScenes数据集上的实验表明，我们提出的模型在安全感知运动预测任务上的性能明显优于最先进的基线。据我们所知，我们的方法是第一个在大多数情况下可以预测看不见的车辆存在的方法。项目页面位于{ \url{https://github.com/xrenaa/Safety-Aware-Motion-Prediction} }。
2021-09-03 cs.CV
Improving Motion Forecasting for Autonomous Driving with the Cycle Consistency Loss
Carnegie Mellon University（卡内基梅隆大学）；Motional
动态场景的鲁棒运动预测是自主车辆的关键组成部分。这是一个具有挑战性的问题，由于在场景中的异质性和固有的不确定性的问题。为了提高运动预测的准确性，在这项工作中，我们确定了一个新的一致性约束在这项任务中，即代理的未来轨迹应该是一致的，其历史观测，反之亦然。为了利用这个属性，我们提出了一个新的周期一致性训练方案，并定义了一个新的周期损失，以鼓励这种一致性。特别是，我们将预测的未来轨迹在时间上反向，并将其反馈到预测模型中，以预测历史并计算损失作为额外的周期损失项。通过我们在Argoverse数据集上的实验，我们证明了周期丢失可以提高竞争性运动预测模型的性能。
2022-10-31 cs.CV
Generating Evidential BEV Maps in Continuous Driving Space
Leibniz University Hannover（汉诺威莱布尼茨大学）；University of Twente（特文特大学）
针对自动驾驶感知不确定性问题，提出完整概率模型GevBEV，将2D驾驶空间解释为概率BEV地图并提取证据作为新样本点的Dirichlet分布参数，在OPV2V和V2V4Real基准上超越以往工作，并通过选择性共享关键信息减少87%通信开销。
2023-09-04 cs.CV
Uncertainty Quantification of Collaborative Detection for Self-Driving
University of Connecticut（康涅狄格大学）；Tandon School of Engineering, New York University（纽约大学坦登工程学院）
互联车辆和自动驾驶车辆（CAV）之间的信息共享从根本上提高了自动驾驶协作目标检测的性能。但是，由于实际挑战，CAV在目标检测上仍然存在不确定性，这将影响自动驾驶中的规划和控制等后期模块。因此，不确定性量化是至关重要的安全关键系统，如CAV。我们的工作是第一个估计的不确定性协作目标检测。我们提出了一种新的不确定性量化方法，称为双M量化，它量身定制的移动块引导（MBB）算法与直接建模的多变量高斯分布的限界框的每个角落。我们的方法基于离线双M训练过程，通过一次推理来捕获认知不确定性和任意不确定性。它可以与不同的协作对象检测器一起使用。通过在综合协作感知数据集上的实验，我们表明，与最先进的不确定性量化方法相比，我们的Double-M方法在不确定性得分上实现了超过4倍的提高，准确率提高了3%以上。我们的代码在https://coperception.github.io/double-m-quantification上公开。
2023-03-17 cs.CV
Uncertainty-Encoded Multi-Modal Fusion for Robust Object Detection in Autonomous Driving
City University of Hong Kong（香港城市大学）；Delft University of Technology（代尔夫特理工大学）；Nanyang Technological University（南洋理工大学）
针对多传感器在恶劣条件下融合不可靠的问题，本文提出UMoE，用专家网络编码各模态不确定性并由门控网络自适应加权，可嵌入任意提议融合流程，在极端天气与攻击场景下显著提升检测鲁棒性。
2023-07-30 cs.AI cs.CV
Learning an Uncertainty-Aware Object Detector for Autonomous Driving
Uber Advanced Technologies Group（优步先进技术集团）；Georgia Institute of Technology（佐治亚理工学院）
检测物体的能力是自动驾驶的核心部分。由于传感器噪声和不完整的数据，完美地检测和定位每个目标是不可行的。因此，检测器提供每个预测中的不确定性量是很重要的。为自主系统提供可靠的不确定性使得车辆能够基于不确定性水平做出不同的反应。先前的工作已经通过预测对象边界框上的概率分布来估计检测中的不确定性。在这项工作中，我们提出了一种方法来提高学习的能力，通过考虑潜在的噪声在地面真实标记的数据的概率分布。我们提出的方法不仅提高了学习分布的准确性，而且提高了目标检测性能。
2020-02-03 cs.CV cs.LG cs.RO
CoLMDriver: LLM-based Negotiation Benefits Cooperative Autonomous Driving
Shanghai Jiao Tong University（上海交通大学）；Shanghai AI Laboratory（上海人工智能实验室）；Multi-Agent Governance & Intelligence Crew (MAGIC)（多智能体治理与智能团队（MAGIC））
CoLMDriver提出首个全流程基于LLM的协同自动驾驶系统，通过演员-评论家协商模块和意图引导航路点生成器实现实时语言协商与驾驶控制，并引入InterDrive基准，在V2V场景中成功率提升11%。
2025-03-11 cs.AI cs.CV cs.MA
GraphBEV++: Multi-Modal Feature Alignment for Autonomous Driving
Beijing Key Laboratory of Traffic Data Mining and Embodied Intelligence, School of Computer Science and Technology, Beijing Jiaotong University（北京交通大学计算机科学与技术学院，交通数据挖掘与具身智能北京市重点实验室）；School of Artificial Intelligence (School of Software), Yanshan University（燕山大学人工智能学院（软件学院））；University of Macau（澳门大学）；Nanyang Technological University（南洋理工大学）；The University of Queensland（昆士兰大学）
针对自动驾驶中BEV感知的特征未对齐问题，提出GraphBEV++框架，通过局部对齐（LocalAlign-v2）和全局对齐（GlobalAlign-v2）模块，利用图匹配、可变形偏移和扩散去噪方法，在多种基准上实现最优性能。
2026-06-16 cs.CV
Optical aberrations in autonomous driving: Physics-informed parameterized temperature scaling for neural network uncertainty calibration
Machine Vision Metrology Group of the Karlsruhe Institute of Technology (KIT)（卡尔斯鲁厄理工学院机器视觉计量组）；Volkswagen Group（大众集团）；Karlsruhe Institute of Technology (KIT)（卡尔斯鲁厄理工学院）；University of Applied Sciences Duesseldorf (HSD)（杜塞尔多夫应用技术大学）
针对挡风玻璃光学像差导致的数据集偏移问题，提出将光学系统的Zernike系数向量作为物理先验纳入神经网络校准架构，显著降低了语义分割任务在光学像差下的平均预期校准误差，提升了AI系统的鲁棒性和可信度。
2025-04-30 cs.CV
Enhanced Safety in Autonomous Driving: Integrating Latent State Diffusion Model for End-to-End Navigation
Aeu；Compintell
本研究提出一种基于条件风险价值软演员-评论家与潜在扩散模型的自动驾驶策略优化方法，通过最坏情况演员引导安全探索，在模拟和真实环境中显著提升安全性、效率与决策能力。
2024-07-17 cs.AI cs.CV cs.RO
Uncertainties of Latent Representations in Computer Vision
Eberhard Karls Universität Tübingen（图宾根大学）
本论文通过将不确定性估计直接添加到预训练计算机视觉模型的潜在表示向量中，提出MCInfoNCE和损失预测等方法，并构建URL基准，使不确定性量化易于获取且可证明正确。
2024-08-26 cs.AI cs.CV cs.LG
A Novel Graph based Trajectory Predictor with Pseudo Oracle
Changzhou University（常州大学）；University of California, Berkeley（加州大学伯克利分校）；Nanjing Xiaozhuang University（南京晓庄学院）
动态场景中的行人轨迹预测在许多应用中仍然是一个具有挑战性和关键性的问题，例如自动驾驶汽车和具有社交意识的机器人。挑战集中在捕捉行人的运动模式和社会互动，以及处理未来的不确定性。最近的研究集中在使用递归神经网络对行人的运动模式进行建模，使用基于池或基于图的方法捕获社会交互，以及使用随机高斯噪声作为潜在变量来处理未来的不确定性。然而，他们没有整合特定的避障经验（OAE），可以提高预测性能。例如，行人的未来轨迹总是受到前面其他人的影响。在这里，我们提出了GTPPO（基于图形的轨迹预测与伪甲骨文），编码器解码器为基础的方法，行人的未来行为的条件。行人的运动模式编码与长短期记忆单元，它引入了时间注意突出特定的时间步骤。它们的交互由基于图的注意力机制捕获，该机制将OAE引入图注意力的数据驱动学习过程。未来的不确定性是通过生成具有信息潜变量的多模态输出来处理的。这样的变量是由一种新的伪预言预测器生成的，它最大限度地减少了历史轨迹和地面实况轨迹之间的知识差距。最后，GTPPO在ETH、UCY和Stanford Drone数据集上进行了评估，结果显示了最先进的性能。此外，定性评估显示成功的情况下，处理突然的运动变化的未来。这些发现表明，GTPPO可以窥视未来。
2021-06-18 cs.CV
Visual Probing and Correction of Object Recognition Models with Interactive user feedback
Technical University Kaiserslautern（凯泽斯劳滕工业大学）
随着最先进的机器学习和深度学习技术的出现，多个行业正在向该领域迈进。这些技术的应用是高度多样化的，从自然语言处理到计算机视觉。目标识别是计算机视觉领域中的一个这样的领域。虽然被证明具有很高的准确性，但这些模型仍有可以改进的地方。事实上，这在自动驾驶或癌症检测等现实用例中非常重要，这些用例高度敏感，并且期望此类技术几乎没有不确定性。在本文中，我们试图可视化对象识别模型中的不确定性，并通过用户反馈提出了一个校正过程。我们进一步展示了我们对VAST 2020 Mini-Challenge 2提供的数据的方法。
2020-12-29 cs.CV cs.HC
Adaptive Bounding Box Uncertainties via Two-Step Conformal Prediction
University of Amsterdam（阿姆斯特丹大学）；Robert Bosch GmbH（罗伯特·博世有限公司）；Bosch Center for AI（博世人工智能中心）
针对多目标检测中边界框不确定性量化问题，提出两步保形预测方法，将类别标签预测的不确定性传播至边界框区间，并结合集成与分位数回归实现适应物体大小的均衡覆盖率，在真实数据集上验证了其满足期望覆盖率且区间紧凑。
2024-07-30 cs.CV cs.LG stat.ML
From Shadows to Safety: Occlusion Tracking and Risk Mitigation for Urban Autonomous Driving
Technical University of Munich（慕尼黑工业大学）
本文提出一种整合遮挡跟踪与风险感知规划的自动驾驶方法，通过序列推理和多样化幻影智能体建模预测被遮挡区域的潜在危险，在仿真中提升了情境感知能力并平衡了安全性与交通效率。
2025-04-02 cs.CV cs.RO
RAD-2: Scaling Reinforcement Learning in a Generator-Discriminator Framework
Huazhong University of Science & Technology（华中科技大学）；Horizon Robotics
RAD-2提出了一种生成器-判别器框架，通过扩散生成器生成轨迹候选并利用RL优化判别器评估长期驾驶质量，从而提升闭环规划的稳定性与安全性，实验显示碰撞率降低56%。
2026-04-16 cs.CV
Variational Voxel Pseudo Image Tracking
Aarhus University（奥胡斯大学）；Aristotle University of Thessaloniki（塞萨洛尼基亚里士多德大学）
不确定性估计是机器人和自动驾驶等关键问题的重要任务，因为它允许创建统计上更好的感知模型，并将模型预测的确定性发送给决策方法或人类监督者。在本文中，我们提出了一个变分神经网络为基础的版本的体素伪图像跟踪（VPIT）方法的三维单目标跟踪。所提出的变分VPIT的变分特征生成网络计算目标和搜索区域的特征以及相应的不确定性，随后使用不确定性感知互相关模块以两种方式之一进行组合：通过计算相应不确定性之间的相似性并将其添加到常规互相关值，或者通过惩罚不确定特征通道以增加某些特征的影响。在实验中，我们表明，这两种方法提高跟踪性能，而惩罚的不确定性功能提供了最好的不确定性质量。
2023-02-12 cs.CV cs.LG
SalsaNext: Fast, Uncertainty-aware Semantic Segmentation of LiDAR Point Clouds for Autonomous Driving
Halmstad University（哈尔姆斯塔德大学）；Volvo Technology AB（沃尔沃技术公司）
本文提出SalsaNext，通过新上下文模块、残差扩张卷积、像素混洗层及贝叶斯不确定性建模，在Semantic-KITTI上实现实时且不确定性感知的LiDAR点云语义分割，并取得排行榜第一。
2024-11-20 cs.CV cs.LG
MultiXNet: Multiclass Multistage Multimodal Motion Prediction
Uber Advanced Technologies Group（优步先进技术集团）
自动驾驶难题的关键部分之一是了解自动驾驶汽车（SDV）的周围环境，并预测这些环境在不久的将来将如何变化。为了解决这一任务，我们提出了MultiXNet，这是一种直接基于激光雷达传感器数据的端到端检测和运动预测方法。这种方法建立在以前的工作，通过处理多个类别的交通演员，增加了一个联合训练的第二阶段轨迹细化步骤，并产生一个多模态概率分布在未来的演员运动，包括多个离散的交通行为和校准的连续位置的不确定性。该方法在几个城市的SDV车队收集的大规模真实数据上进行了评估，结果表明它优于现有的最先进的方法。
2021-05-24 cs.CV cs.LG eess.IV
Robust Monocular Localization in Sparse HD Maps Leveraging Multi-Task Uncertainty Estimation
University of Freiburg（弗莱堡大学）
使用低成本传感器设置和稀疏高清地图在密集城市场景中进行鲁棒定位与当前自动驾驶的进步高度相关，但仍然是一个具有挑战性的研究课题。我们提出了一种新的单目定位方法的基础上的滑动窗口姿态图，利用预测的不确定性，提高精度和鲁棒性，对具有挑战性的情况下，每帧故障。为此，我们提出了一个有效的多任务不确定性感知模块，其中包括语义分割，以及限界框检测，使本地化的车辆在稀疏的地图，只包含车道边界和交通灯。此外，我们设计了直接从估计的不确定性产生的可微成本图。这开辟了以无关联和不确定性感知的方式最小化无定形地图元素的重投影损失的可能性。对Lyft 5数据集的广泛评估表明，尽管地图稀疏，但我们的方法可以在具有挑战性的城市场景中实现强大而准确的6D定位
2021-10-20 cs.AI cs.CV cs.LG
$f$-Cal: Calibrated aleatoric uncertainty estimation from neural networks for robot perception
Montreal Robotics and Embodied AI Lab（蒙特利尔机器人与具身人工智能实验室）；Mila（米拉人工智能研究所）；Université de Montréal（蒙特利尔大学）；Denso（电装公司）
虽然现代深度神经网络是高性能的感知模块，但性能（准确性）本身是不够的，特别是对于安全关键的机器人应用，如自动驾驶汽车。机器人自主堆栈还需要这些黑盒模型来产生可靠的和校准的预测置信度测量。现有方法通过修改网络架构、推理过程或损失函数来估计来自这些神经网络感知堆栈的不确定性。然而，一般来说，这些方法缺乏校准，这意味着预测的不确定性不能忠实地代表真实的潜在不确定性（过程噪声）。我们的关键见解是，校准只能通过在多个示例中施加约束来实现，例如小批量中的示例;与现有方法相反，现有方法仅对每个样本施加约束，通常会导致过度自信（因此校准错误）的不确定性估计。通过最小化$f$ -发散来强制神经网络的输出分布以类似于目标分布，与先前的方法相比，我们获得了显著更好的校准模型。我们的方法，$f$ -Cal，优于现有的不确定性校准方法的机器人感知任务，如目标检测和单目深度估计在多个现实世界的基准。
2021-09-28 cs.CV cs.LG cs.RO
Uncertainty-Aware Trajectory Prediction: A Unified Framework Harnessing Positional and Semantic Uncertainties
School of Computer Science and Technology, Beijing Institute of Technology（北京理工大学计算机科学与技术学院）；CSIRO DATA61（澳大利亚联邦科学与工业研究组织 Data61）；Faculty of Science and Technology and Institute of Collaborative Innovation, University of Macau（澳门大学科技学院及协同创新研究院）
本文提出一种统一框架，整合位置和语义不确定性以提升轨迹预测的鲁棒性，通过双重头架构和端到端方法，在nuScenes数据集上验证了方法在多个指标上的有效性。
2026-03-31 cs.CV
Multi-Object Tracking using Poisson Multi-Bernoulli Mixture Filtering for Autonomous Vehicles
Michigan State University（密歇根州立大学）
自动驾驶汽车执行3D跟踪的能力对于在混乱环境中安全规划和导航至关重要。在自动驾驶应用中，多目标跟踪（MOT）的主要挑战在于关于目标的数量、目标可能出现和消失的时间和地点以及关于目标状态的不确定性的固有不确定性。基于随机有限集（RFS）的方法可以很自然地对这些不确定性进行精确和优雅的建模，并且它们已经被广泛地应用于雷达跟踪应用中。在这项工作中，我们开发了一个基于RFS的MOT框架的三维激光雷达数据。特别地，我们提出了一种泊松多伯努利混合（PMBM）滤波器来解决自动驾驶应用中的非模态MOT问题。据我们所知，这是首次尝试将基于RFS的方法与3D LiDAR数据结合用于MOT应用，并使用行业领导者提供的具有挑战性的数据集进行全面验证。我们的PMBM跟踪器在公共Waymo和Argoverse数据集上的卓越实验结果清楚地表明，基于RFS的跟踪器优于许多最先进的基于深度学习和基于卡尔曼滤波器的方法，因此，这些结果表明进一步探索基于RFS的3D MOT应用框架的巨大潜力。
2021-03-13 cs.CV cs.RO eess.SP
A re-calibration method for object detection with multi-modal alignment bias in autonomous driving
Department of Automation Tsinghua University Beijing（自动化系清华大学北京）
本文提出一种重新校准模型，通过语义分割和定制损失函数提升自动驾驶中多模态检测的鲁棒性和性能，应对校准偏差带来的影响。
2025-09-19 cs.CV
How Hard Is Snow? A Paired Domain Adaptation Dataset for Clear and Snowy Weather: CADC+
University of Waterloo（滑铁卢大学）
本文提出CADC+，首个配对天气域适应数据集，通过配对同一道路和时期的晴天与雪天序列，最小化域偏移，用于评估降雪对3D目标检测的影响，发现雪同时引入偶然和认知不确定性。
2025-06-19 cs.CV
Inferring Spatial Uncertainty in Object Detection
University of California, Berkeley（加州大学伯克利分校）；Robert Bosch GmbH（罗伯特·博世有限公司）；Ulm University（乌尔姆大学）
真实世界数据集的可用性是开发自动驾驶目标检测方法的前提。由于标注过程中容易出错或传感器观测噪声等原因，目标标注存在模糊性，而当前的目标检测数据集只提供确定性标注，没有考虑其不确定性。这排除了在不同的目标检测方法之间进行深入评估，特别是对于那些明确地对预测概率进行建模的方法。在这项工作中，我们提出了一个生成模型来估计从激光雷达点云的限界框标签的不确定性，并定义了一个新的表示的概率限界框通过空间分布。综合实验表明，该模型代表了驾驶场景中常见的不确定性。基于空间分布，我们进一步提出了一个扩展的IoU，称为Jaccard IoU（JIOU），作为一个新的评价指标，结合标签的不确定性。在KITTI和Waymo开放数据集上的实验表明，在评估概率对象检测器时，JioU优于IoU。
2020-08-01 cs.CV cs.LG cs.RO
Efficient Multi-task Uncertainties for Joint Semantic Segmentation and Monocular Depth Estimation
Institute of Photogrammetry and Remote Sensing (IPF)（摄影测量与遥感研究所）；Karlsruhe Institute of Technology（卡尔斯鲁厄理工学院）
本文提出新型师生蒸馏方法 EMUFormer，通过隐式利用教师模型预测不确定性，在联合语义分割和单目深度估计任务上实现高效多任务不确定性量化，在 Cityscapes 和 NYUv2 上达到 SOTA。
2024-02-16 cs.AI cs.CV cs.LG
ADM: Accelerated Diffusion Model via Estimated Priors for Robust Motion Prediction under Uncertainties
National University of Singapore（新加坡国立大学）
本文提出一种基于粗粒度轨迹先验的加速扩散模型ADM，通过跳过大量去噪步骤，在Argoverse 1数据集上实现136ms推理并显著提升多智能体运动预测精度与抗噪鲁棒性。
2024-05-01 cs.CV cs.RO
Uncertainty-aware LiDAR Panoptic Segmentation
University of Freiburg（弗莱堡大学）；Technical University Nürnberg（纽伦堡工业大学）
现代自动驾驶系统通常依赖于LiDAR扫描仪，特别是在自动驾驶场景中。在这种情况下，可靠的场景理解是必不可少的。当前基于学习的方法通常试图实现此任务的最大性能，而忽略了对相关不确定性的适当估计。在这项工作中，我们介绍了一种新的方法来解决任务的不确定性意识的全景分割使用激光雷达点云。我们提出的EvLPSNet网络是第一个以无采样方式有效解决这一任务的网络。它的目的是预测每点的语义和实例分割，连同每点的不确定性估计。此外，它还结合了通过采用预测的不确定性来提高性能的方法。我们提供了几个强大的基线结合国家的最先进的全景分割网络与采样免费的不确定性估计技术。广泛的评估表明，我们实现了最好的性能不确定性感知的全景分割的质量和校准相比，这些基线。我们的代码可在https://github.com/kshitij3112/EvLPSNet上获得
2022-10-10 cs.CV cs.RO
Time-Dynamic Estimates of the Reliability of Deep Semantic Segmentation Networks
Department of Mathematics University of Wuppertal, Germany（数学系 沃尔珀塔尔大学）
本文提出了一种时间动态方法，通过跟踪语义分割片段随时间变化的指标，评估神经网络预测质量，分析时间序列长度对预测能力的影响。
2020-10-05 cs.CV cs.LG eess.IV
DUDES: Deep Uncertainty Distillation using Ensembles for Semantic Segmentation
Karlsruhe Institute of Technology (KIT)（卡尔斯鲁厄理工学院）
本文提出DUDES方法，利用Deep Ensemble进行师生蒸馏，通过单次前向传播高效估计预测不确定性，在Cityscapes数据集上有效识别误分类像素与域外样本，性能优于以往方法。
2023-03-17 cs.AI cs.CV
CertainNet: Sampling-free Uncertainty Estimation for Object Detection
Technische Universität München (TUM)（慕尼黑工业大学）；BMW Group（宝马集团）；Johns Hopkins University（约翰斯·霍普金斯大学）
估计神经网络的不确定性在安全关键设置中起着重要作用。在自动驾驶的感知中，测量不确定性意味着为下游任务提供额外的校准信息，例如路径规划，可以将其用于安全导航。在这项工作中，我们提出了一种新的无采样不确定性估计方法的目标检测。我们称之为CNET，它是第一个为每个输出信号提供单独的不确定性：对象，类别，位置和大小。为了实现这一点，我们提出了一个不确定性感知的热图，并利用检测器在推理时提供的相邻边界框。我们分别评估了不同不确定性估计的检测性能和质量，以及具有挑战性的域外样本：BDD100K和nuImages，模型在KITTI上训练。此外，我们提出了一个新的度量来评估位置和大小的不确定性。当传输到看不见的数据集时，CNONet的泛化能力比以前的方法和集合要好得多，同时是实时的，并提供高质量和全面的不确定性估计。
2021-12-28 cs.CV cs.LG cs.RO
EvCenterNet: Uncertainty Estimation for Object Detection using Evidential Learning
Fraunhofer IKS（弗劳恩霍夫智能认知系统研究所）；University of Freiburg（弗赖堡大学）；Federal University of Rio Grande（里奥格兰德联邦大学）；University of Tech. Nuremberg（纽伦堡工业大学）；TU München（慕尼黑工业大学）
本文提出 EvCenterNet 证据学习二维目标检测框架，联合估计分类与回归不确定性，并通过组合损失、类别平衡加权和不确定性聚焦训练提升分布外检测精度。
2023-09-28 cs.AI cs.CV
Uncertainty Quantification and Resource-Demanding Computer Vision Applications of Deep Learning
University of Wuppertal（伍珀塔尔大学）
将深度神经网络（DNN）引入自动驾驶、医疗成像和金融等安全关键应用中，需要彻底处理模型的不确定性。训练深度神经网络已经是资源需求，因此它们的不确定性量化也是如此。在这篇概述文章中，我们调查了我们开发的方法，这些方法用于教导DNN在遇到新对象类时不确定。此外，我们还提出了训练方法，以便在不确定性量化的帮助下仅从少数标签中学习。请注意，与普通的网络训练相比，这通常需要大量的计算开销。最后，我们回顾了我们在神经结构搜索方面的工作，这也是一个数量级的资源需求，然后普通的网络训练。
2022-05-30 cs.CV cs.LG
