FenixEdu™

Dissertação

Aleatoric Uncertainty with Test-Time Augmentation for Object Detection in Autonomous Driving EVALUATED

Detalhes: A condução autónoma depende de vários sistemas complexos para executar tarefas vitais. Uma dessas tarefas é a deteção de objetos através de imagens de câmaras. Avanços recentes em visão computacional tornaram a utilização de redes neurais convolucionais o estado da arte para tarefas de deteção de objetos. Em sistemas onde a segurança é vital, como na condução autónoma, é essencial medir a incerteza das deteções estimadas. Neste trabalho, investigamos abordagens inovadoras para quantificar incerteza em métodos de deteção de objetos, assim como exploramos melhorias nos atuais métodos utilizados. Propomos utilizar pela primeira vez o método de Test-Time Augmentation (TTA) para quantificação de incerteza aleatória. Para isso, desenvolvemos uma metodologia inovadora com recurso ao TTA e mostramos que é capaz de superar o desempenho dos métodos atuais de estado da arte, Monte Carlo Dropout e Output Redundancy na qualidade das distribuições e incertezas estimadas tanto para a tarefa de classificação como de regressão. São efetuados estudos para investigar a utilização de um critério para seleção de deteções e dois valores mínimos de Intersection-over-Union (IOU) diferentes para cada tarefa (classificação e regressão). Mostramos que é possível obter melhorias no desempenho dos métodos Monte Carlo Dropout e Output Redundancy através da aplicação de um critério de seleção ótimo e dois valores mínimos de IOU diferentes para cada tarefa separada. Mostramos que valores mais baixos de IOU geram os melhores resultados para a tarefa de regressão, enquanto que valores mais altos de IOU produzem os melhores resultados para a tarefa de classificação.
Keywords: Quantificação de Incerteza, Deteção de Objetos, Test-Time Augmentation, Condução Autónoma

Discussão: novembro 29, 2022, 11:0