计算机视觉最新进展概览(2021年7月11日到2021年7月17日)

1、Prediction Surface Uncertainty Quantification in Object Detection Models for Autonomous Driving

自动驾驶汽车的目标检测通常基于摄像头图像和激光雷达输入，通常用于训练深度人工神经网络等预测模型，用于目标识别决策、速度调节等。 这种决策中的一个错误可能是破坏性的; 因此，通过不确定性测度来衡量预测模型决策的可靠性至关重要。 在深度学习模型中，不确定性通常用于衡量分类问题。 然而，自动驾驶中的深度学习模型往往是多输出回归模型。 因此，我们提出了一种新的方法，即预测表面不确定度(PURE)来测量这类回归模型的预测不确定度。 我们将目标识别问题表述为一个具有多个输出的回归模型，用于在二维摄像机视图中寻找目标位置。 为了进行评估，我们修改了三个广泛应用的目标识别模型(即YoLo、SSD300和SSD512)，并使用了KITTI、Stanford Cars、Berkeley DeepDrive和NEXET数据集。 结果显示，预测面不确定性与预测精度之间存在显著的负相关关系，表明不确定性对自动驾驶决策有显著影响。

2、Towards Accurate Localization by Instance Search

视觉目标定位是一系列目标检测任务中的关键步骤。 在文献中，使用主流的强监督框架实现了较高的定位精度。 然而，这样的方法需要对象级的注释，并且不能检测未知类别的对象。 缺乏监督的方法也面临类似的困难。 本文提出了一种自定步学习框架，在实例搜索返回的秩表上实现精确的目标定位。 该框架从查询及其相应的排名靠前的搜索结果中逐步挖掘目标实例。 由于查询和排名列表中的图像之间共享一个公共实例，因此即使不知道对象类别是什么，也可以准确地定位目标可视实例。 在同一框架下，除了对实例搜索进行定位外，还解决了少样本目标检测问题。 在这两个任务上都观察到优于最先进的方法的性能。

3、Semi-Supervised Object Detection with Adaptive Class-Rebalancing Self-Training

本研究深入研究半监督目标检测(SSOD)，以提高检测器性能的附加无标记数据。 近年来，通过自训练，SSOD的表现达到了最先进的水平，其中训练监督由ground-truth和伪标签组成。 在目前的研究中，我们观察到SSOD的班级失衡严重影响了自我训练的有效性。 为了解决类的不平衡，我们提出了适应性类再平衡自我训练(ACRST)与一个新的内存模块称为CropBank。 ACRST自适应地用从CropBank中提取的前台实例重新平衡训练数据，从而缓解了类的不平衡。 由于检测任务的高度复杂性，我们观察到在SSOD中，自我训练和数据再平衡都受到噪声伪标签的影响。 因此，我们提出了一种新的两阶段滤波算法来生成准确的伪标签。 我们的方法在MS-COCO和VOC基准上取得了令人满意的改进。 当在MS-COCO中仅使用1%标记数据时，我们的方法在监督基线上实现了17.02 mAP改进，与最先进的方法相比实现了5.32 mAP改进。

4、Lidar Light Scattering Augmentation (LISA): Physics-based Simulation of Adverse Weather Conditions for 3D Object Detection

基于激光雷达的目标探测器是自动驾驶汽车等自动导航系统中3D感知管道的关键部分。 然而，由于信噪比(SNR)和信背景比(SBR)降低，它们对雨、雪和雾等不利天气条件很敏感。 因此，基于激光雷达的目标检测器根据在正常天气中捕获的数据进行训练，在这种情况下往往表现不佳。 然而，在各种各样的恶劣天气条件下收集和标记足够的训练数据是费力且昂贵的。 为了解决这个问题，我们提出了一种基于物理的方法来模拟恶劣天气条件下场景的激光雷达点云。 这些增强的数据集可以用来训练基于激光雷达的探测器，以提高它们的全天候可靠性。 具体来说，我们引入了一种基于蒙特卡罗的混合方法，该方法处理(i)大颗粒的影响，将它们随机放置并比较它们对目标的背反射功率，以及(ii)通过计算Mie理论和粒径分布的散射效率来平均衰减影响。 使用这种增强数据的再训练网络提高了真实世界降雨场景中评估的平均精度，我们观察到，与文献中现有模型相比，我们的模型性能有更大的改进。 此外，我们评估了模拟天气条件的最新的最先进的检测器，并对其性能进行了深入分析。

5、Adversarial Attacks on Multi-task Visual Perception for Autonomous Driving

近年来，深度神经网络(DNNs)在包括自动驾驶感知任务在内的各种应用中取得了令人瞩目的成功。 另一方面，当前的深度神经网络很容易被对抗性攻击所欺骗。 这个漏洞引起了很大的关注，特别是在安全关键的应用程序中。 因此，攻击和防御DNN的研究得到了广泛的报道。 在这项工作中，详细的对对抗攻击应用于不同的多任务视觉感知深度网络，跨越距离估计，语义分割，运动检测和目标检测。 实验考虑了有目标和无目标情况下的白盒攻击和黑盒攻击，同时对一个任务进行攻击并检测对其他所有任务的影响，并检测了应用简单防御方法的效果。 最后，我们对实验结果进行了比较和讨论，并提出了展望。