École Nationale Supérieure de
Techniques Avancées

Résumé

Les méthodes d'apprentissage profond standard ne peuvent pas fournir d'informations sur la fiabilité de leurs prédictions, ce qui est crucial pour la prise de décision et l'optimisation dans de nombreux domaines de la science et de l'ingénierie. Pour pallier ce problème, on invente des réseaux neuronaux bayésiens (BNN) et des réseaux neuronaux d'assemblage. La compréhension sémantique de scènes de rue urbaines complexes est un sujet populaire, principalement appliqué à la conduite autonome. Cependant, aucun jeu de données actuel ne prend encore en compte l'estimation de l'incertitude de la segmentation sémantique. Dans cet article, nous présentons les travaux en cours sur un nouveau jeu de données de scènes urbaines virtuelles à grande échelle (City Anyverse) pour évaluer les performances de l'algorithme de quantification de l'incertitude (UQ) et proposer un algorithme UQ pour différentes tâches de vision. City Anyverse comprend un ensemble vaste et diversifié de scènes de rue urbaines virtuelles avec différents niveaux de conditions météorologiques. Toutes les images ont des annotations de haute qualité au niveau du pixel, y compris 3500 images dans l'ensemble d'entraînement, 500 dans l'ensemble de validation, et 4500 dans l'ensemble de test avec des conditions météorologiques et des échantillons OOD. Le nouvel algorithme UQ basé sur un contre tous est le travail étendu de OVNNI, qui fournit une idée pour UQ. Mots-clés: Quantification de l'incertitude, ensemble de données de scènes de rue urbaines, segmentation sémantique, détection des OOD.