Estimation de l'incertitude de localisation pour la détection d'objets sans ancres

Étant donné que de nombreux systèmes critiques en matière de sécurité, tels que les robots chirurgicaux ou les véhicules autonomes, opèrent dans des environnements instables caractérisés par un bruit de capteurs et des données incomplètes, il est souhaitable que les détecteurs d'objets tiennent compte de l'incertitude de localisation. Toutefois, les méthodes existantes d'estimation d'incertitude pour la détection d'objets basée sur des ancres présentent plusieurs limites. 1) Elles modélisent l'incertitude des propriétés hétérogènes des objets — telles que la position (point central) ou l'échelle (largeur, hauteur), qui diffèrent par leurs caractéristiques et échelles — ce qui rend leur estimation complexe. 2) Elles représentent les décalages des boîtes englobantes par des distributions gaussiennes, ce qui n’est pas compatible avec les boîtes de vérité terrain suivant une distribution de Dirac. 3) Étant donné que les méthodes basées sur des ancres sont sensibles aux hyperparamètres des ancres, leur incertitude de localisation peut également être fortement dépendante du choix de ces hyperparamètres. Pour surmonter ces limitations, nous proposons une nouvelle méthode d'estimation d'incertitude de localisation, appelée UAD, conçue pour la détection d'objets sans ancres. Notre approche capture l'incertitude dans les quatre directions des décalages de boîte (gauche, droite, haut, bas), qui sont homogènes, permettant ainsi d’identifier précisément la direction incertaine et de fournir une valeur quantitative d’incertitude comprise dans l’intervalle [0, 1]. Pour permettre cette estimation, nous avons conçu une nouvelle fonction de perte, la negative power log-likelihood loss, qui mesure l’incertitude de localisation en pondérant la perte de vraisemblance par le score d’IoU, atténuant ainsi le problème de mauvaise spécification du modèle. En outre, nous proposons une focal loss consciente de l’incertitude afin de refléter l’incertitude estimée dans le score de classification. Les résultats expérimentaux sur le jeu de données COCO montrent que notre méthode améliore significativement FCOS, avec une augmentation allant jusqu’à 1,8 point, sans compromettre l’efficacité computationnelle.