STUN地点识别的自学不确定性估计

位置识别对于许多机器人应用至关重要，尤其是导航。然而，通常不考虑预测不确定性。最近发表在arXiv.org上的一项研究提出了STUN，这是一种新颖的自学不确定性估计管道。

地点识别的不确定性估计被视为知识蒸馏任务。首先，使用标准度量学习管道训练教师网络以生成嵌入先验。然后，训练一个学生网络来微调嵌入并同时估计每个实例的不确定性。

该管道不会影响识别准确性。此外，它本质上与损失函数无关。实验结果表明，与现有的类似任务方法相比，STUN实现了更好的校准不确定性和更高的识别精度。

地点识别是同步定位和映射(SLAM)和空间感知的关键。然而，由于图像变化，例如改变视点和街道外观，野外的地点识别经常遭受错误预测。将不确定性估计整合到地点识别的生命周期中是一种很有前途的方法，可以减轻变化对地点识别性能的影响。然而，这方面的现有不确定性估计方法要么计算效率低下(例如，MonteCarlodropout)，要么以降低精度为代价。本文提出了STUN，这是一种自学框架，可以学习同时预测位置并估计给定输入图像的预测不确定性。为此，我们首先使用标准度量学习管道训练教师网络以产生嵌入先验。然后，在预训练的教师网络的监督下，训练具有附加方差分支的学生网络，以微调嵌入先验并逐个样本估计不确定性。在在线推理阶段，我们仅使用学生网络结合不确定性生成地点预测。与对不确定性一无所知的地点识别系统相比，我们的框架在不牺牲任何预测准确性的情况下免费提供不确定性估计。我们在大规模Pittsburgh30k数据集上的实验结果表明，STUN在识别准确性和不确定性估计质量方面均优于最先进的方法。训练具有附加方差分支的学生网络以微调嵌入先验并逐个样本估计不确定性。在在线推理阶段，我们仅使用学生网络结合不确定性生成地点预测。与对不确定性一无所知的地点识别系统相比，我们的框架在不牺牲任何预测准确性的情况下免费提供不确定性估计。我们在大规模Pittsburgh30k数据集上的实验结果表明，STUN在识别准确性和不确定性估计质量方面均优于最先进的方法。训练具有附加方差分支的学生网络以微调嵌入先验并逐个样本估计不确定性。在在线推理阶段，我们仅使用学生网络结合不确定性生成地点预测。与对不确定性一无所知的地点识别系统相比，我们的框架在不牺牲任何预测准确性的情况下免费提供不确定性估计。我们在大规模Pittsburgh30k数据集上的实验结果表明，STUN在识别准确性和不确定性估计质量方面均优于最先进的方法。我们只使用学生网络结合不确定性生成地点预测。与对不确定性一无所知的地点识别系统相比，我们的框架在不牺牲任何预测准确性的情况下免费提供不确定性估计。我们在大规模Pittsburgh30k数据集上的实验结果表明，STUN在识别准确性和不确定性估计质量方面均优于最先进的方法。我们只使用学生网络结合不确定性生成地点预测。与对不确定性一无所知的地点识别系统相比，我们的框架在不牺牲任何预测准确性的情况下免费提供不确定性估计。我们在大规模Pittsburgh30k数据集上的实验结果表明，STUN在识别准确性和不确定性估计质量方面均优于最先进的方法。

标签：