Towards Corner Case Detection by Modeling the Uncertainty of Instance Segmentation Networks

Das Kapitel vertieft sich in die kritische Frage der Erkennung von Eck-Fällen beim autonomen Fahren, wobei der Schwerpunkt auf der Modellierung der Unsicherheit von Segmentierungsnetzwerken liegt. Sie führt eine neue Methode ein, die Monte-Carlo-Aussteiger nutzt, um epistemische Unsicherheiten abzuschätzen, und die es ermöglicht, herausfordernde Szenarien zu erkennen, die in Trainingsdaten schwer einzuordnen oder unterrepräsentiert sind. Der Ansatz besteht darin, die Architektur von Mask R-CNN um Ausfallschichten zu erweitern, um sowohl Positions- als auch Klassenunsicherheiten zu modellieren, und dann die Vorhersagen zu bündeln, um Eckfälle zu erkennen. Das Kapitel unterstreicht auch die Bedeutung einer iterativen Verbesserung des Modells, indem diese Eckfälle in zukünftige Schulungsdatensätze einbezogen werden. Indem dieses Kapitel die Beschränkungen aktueller Methoden aufgreift und einen kraftvollen, aber dennoch einfachen Ansatz präsentiert, bietet es wertvolle Erkenntnisse für Forscher und Praktiker im Bereich autonomes Fahren und maschinelles Lernen.