Adaptive Bounding Box Uncertainties via Two-Step Conformal Prediction

本文讨论了在自动驾驶等安全关键应用中，量化模型预测不确定性的重要性。我们考虑对多目标检测进行不确定性量化。特别地，我们利用一致预测方法来获得具有保证覆盖率的物体边界框不确定性区间。其中一个挑战是边界框预测是基于物体的类别标签。因此，我们开发了一种新的两步一致方法，将预测类别标签的不确定性传播到边界框的不确定性区间中。这扩大了我们的一致覆盖保证的有效性，包括对错误分类的物体的保证，确保在需要最大安全保证时它们的有用性。此外，我们研究了新的集成和分位数回归公式，以确保边界框区间适应物体大小，从而在各个大小上实现更平衡的覆盖。通过在现实世界的2D边界框定位数据集上验证我们的两步方法，我们发现所需的覆盖水平得到了满足，同时预测的不确定性区间也非常紧凑。

本文旨在解决多目标检测中预测不确定性的问题，特别是针对物体边界框的不确定性进行量化。同时，作者希望通过开发一种新的两步置信度方法，将预测的类别标签的不确定性传递到边界框的不确定性区间中，从而实现对错误分类对象的置信度覆盖范围的扩展，确保在需要最大安全保证的情况下使用的实用性。

本文提出了一种新的两步置信度方法，将预测的类别标签的不确定性传递到边界框的不确定性区间中，从而实现对错误分类对象的置信度覆盖范围的扩展。

本文的亮点包括使用置信度方法解决多目标检测中预测不确定性的问题，提出了一种新的两步置信度方法，通过使用集成和分位数回归公式，确保边界框区间对物体大小的适应性，实验结果表明，该方法可以实现所需的覆盖范围，并提供紧凑的预测不确定性区间。

最近的相关研究包括：1. Conformalized Quantile Regression for Distributed Learning with Big Heterogeneous Data, 2. Conformalized Quantile Regression Forests for Uncertainty Quantification in Regression Tasks, 3. Deep conformal prediction: conformalizing output of deep neural networks