Calibration de confiance multivariée pour la détection d'objets

Des estimations de confiance non biaisées des réseaux de neurones sont cruciales, notamment pour des applications critiques pour la sécurité. De nombreuses méthodes ont été développées pour calibrer des estimations de confiance biaisées. Bien qu'il existe une variété de méthodes pour la classification, le domaine de la détection d'objets n'a pas encore été abordé. Par conséquent, nous présentons un cadre novateur pour mesurer et calibrer les estimations de confiance biaisées (ou mal calibrées) des méthodes de détection d'objets. La principale différence avec les travaux connexes dans le domaine de la calibration des classificateurs est que nous utilisons également des informations supplémentaires sur la sortie de régression d'un détecteur d'objets pour la calibration. Notre approche permet, pour la première fois, d'obtenir des estimations de confiance calibrées par rapport à la position de l'image et à l'échelle de la boîte. De plus, nous proposons une nouvelle mesure pour évaluer la mal calibration des détecteurs d'objets. Enfin, nous montrons que nos méthodes développées surpassent les modèles de calibration à la pointe de la technologie pour la tâche de détection d'objets et fournissent des estimations de confiance fiables à travers différentes positions et échelles.