跳到正文
arXiv · 机器人与计算机视觉· Alexej Klushyn, Juan Rivero Sesma, Florian Seligmann, Richard Kurle, Kinh Tieu, Jayant Sen Gupta·· 13 天前AI 评分63

从关键点到预测分布:YOLO-Pose 模型的后验不确定性方法

From Keypoints to Predictive Distributions: Post-Hoc Uncertainty for YOLO-Pose Models

AI 导读

论文介绍了一种轻量级的后验概率扩展方法,用于增强已训练的 YOLO-Pose 模型,使其能够输出校准后的双变量预测分布来量化关键点位置的空间不确定性。该方法通过训练额外的概率头并配合高斯或学生-t 分布校准,实现了基于输入的关键点可靠性排序及不可靠关键点的剔除。实验在 COCO 数据集上验证了其在提升定位可靠性方面的效果,并在飞机着陆等视觉任务中展示了支持不确定性感知的位置估计与传感器融合潜力。

来源:arXiv · 机器人与计算机视觉 · arxiv.org