无锚框目标检测中的定位不确定性估计

由于许多安全关键系统（如手术机器人和自动驾驶汽车）在传感器噪声大、数据不完整等不稳定环境中运行，因此要求目标检测器能够考虑定位不确定性。然而，现有的基于锚框（anchor-based）目标检测的不确定性估计方法存在若干局限性：（1）这些方法试图对具有不同特性与尺度的异质性目标属性（如位置中心点、尺度宽高）的不确定性进行建模，这在实际中难以准确估计；（2）它们将边界框偏移量建模为高斯分布，而真实标注框遵循的是狄拉克δ分布（Dirac delta distribution），两者在分布特性上不兼容；（3）由于基于锚框的方法对锚框超参数高度敏感，其定位不确定性也随之对超参数选择极为敏感。为克服上述问题，本文提出一种面向无锚框（anchor-free）目标检测的新定位不确定性估计方法——UAD（Uncertainty-aware Detection）。该方法将边界框偏移量在左、右、上、下四个方向上的不确定性进行统一建模，这些方向具有同质性，因而能够明确识别出具体哪个方向存在不确定性，并提供一个在[0, 1]区间内的量化不确定性值。为实现这一目标，我们设计了一种新型不确定性损失函数——负幂对数似然损失（negative power log-likelihood loss），通过引入IoU作为权重来调节似然损失，有效缓解了模型误设（model misspecification）问题。此外，我们进一步提出了一个考虑不确定性的焦点损失（uncertainty-aware focal loss），使分类得分能够反映所估计的定位不确定性。在COCO数据集上的实验结果表明，所提方法在不增加计算开销的前提下，显著提升了FCOS模型的性能，最高提升达1.8个点，验证了其有效性与实用性。