Pose estimation은 이미지 또는 비디오 내에서 개체 또는 인간의 위치와 방향을 결정하는 컴퓨터 비전의 중요한 작업입니다. 이러한 추정과 관련된 불확실성은 로봇 공학 및 자율 차량과 같은 높은 신뢰성을 요구하는 응용 프로그램에 중요합니다. 이 문서는 estimation 불확실성을 계산하기위한 일반적인 기술 및 모범 사례를 탐구합니다.

캘리포니아의 기술

몇 가지 방법은 pose estimation에서 불확실성을 할당하는 데 사용됩니다. Probabilistic 접근 방식은 고정 지점보다는 분포로 pose를 모델링하고 신뢰의 측정을 제공합니다. Bayesian 방법, 예를 들어, 사전 지식과 업데이트 불확실한 견적을 새로운 데이터로 사용할 수 있습니다.

다른 일반적인 기술은 Monte Carlo 샘플링을 포함, 여러 개의 캐시가 황하수성 과정을 통해 생성됩니다. 이 hypotheses 중 다양한 불확실한 수준을 나타냅니다. 또한, 딥러닝 모델은 종종 신뢰도를 평가하기 위해 분석 될 수있는 자신감을 산출하거나 히트 맵을 출력합니다.

Uncertainty Estimation의 모범 사례

수많은 기술을 결합하는 것이 좋습니다. 깊은 학습 신뢰 미터를 따라 양성 모델을 사용하여 최상의 신뢰성을 제공 할 수 있습니다. 이 모델의 교정은 정확하고 진실한 불확실성을 반영하는 데 필수적입니다.

또한 사용할 때 지상 진실 데이터로 불확실한 추정을 검증하는 것이 중요합니다. 새로운 데이터와 정기적으로 업데이트 모델은 정확한 불확실한 측정을 유지하는데 도움이 됩니다. 비난성 맵을 시각화하여 모델이 적은 수의를 가진 지역 또는 인스턴스를 식별할 수 있습니다.

응용 및 복제

정확한 불확실한 추정은 자율적인 체계에 있는 결정 과정 강화합니다. 그것은 폐사 추정이 믿을 수 없을 때 식별할 수 있고 추가 자료 또는 조정 행동을 요구하기와 같은 적합한 활동을 가지고 돕습니다. 이것은 실제 시나리오에 있는 안전 그리고 견고성을 개량합니다.