Criteria for Uncertainty-based Corner Cases Detection in Instance Segmentation

高度自动化车辆的操作环境可能会发生变化，例如天气、照明或包含不同对象和其他参与者的场景，高度自动化车辆必须在其中安全地为乘客导航。在开发和验证高度自动化驾驶功能时必须考虑这些情况。这已经成为训练和评估深度学习模型的问题，因为如果没有对成千上万个记录进行昂贵的标注，就不知道数据是否包含进一步模型训练的相关、有趣的数据，也不知道模型在哪些条件和情况下表现不佳。为此，我们提出了基于预测不确定性的极端情况准则。通过我们的极端情况准则，我们能够在不依赖于基础真实数据的情况下检测出对象实例分割模型的基于不确定性的极端情况。我们使用COCO和NuImages数据集评估了每个极端情况准则，以分析我们方法的潜力。我们还提供了一个极端情况决策函数，使我们能够将每个对象区分为真正的正例（TP）、定位和/或分类极端情况或假正例（FP）。我们还展示了一个迭代训练循环的初步结果，该循环优于基线，并且所添加到训练数据集中的数据是基于极端情况决策函数选择的。

如何在不依赖于地面真实数据的情况下，开发和验证高度自动化的车辆驾驶功能？如何解决深度学习模型训练和评估时的问题？

通过基于预测不确定性的边角情况标准，检测物体实例分割模型的不确定性边角情况，提高模型的性能。

实验使用COCO和NuImages数据集，提出了一个边角情况决策函数，能够将每个物体划分为真阳性、定位和/或分类边角情况，或假阳性。还展示了一个迭代训练周期的结果，该周期优于基线，并且添加到训练数据集的数据是根据边角情况决策函数选择的。

最近的相关研究包括使用深度神经网络进行物体检测和实例分割，以及使用不确定性来评估模型的性能。相关论文包括“Mask R-CNN”、“YOLO”和“Bayesian Deep Learning”。