English(EN) From Keypoints to Predictive Distributions: Post-Hoc Uncertainty for YOLO-Pose Models

新方法为YOLO-Pose关键点定位模型增加不确定性

作者 PulseAugur 编辑部 · [1 个来源] · 2026-07-30 04:00

研究人员开发了一种新方法，为用于关键点定位的YOLO-Pose模型增加了不确定性量化。这种事后扩展允许模型预测关键点位置的双变量分布，指示其空间不确定性。该方法涉及训练额外的概率头，并提供两种校准方法：高斯分布用于广泛兼容性，t检验用于分布保真度。在COCO数据集上的实验表明，这些不确定性估计可以有效地按可靠性对关键点进行排序，并通过实现不确定性感知的定位来改进诸如基于视觉的飞机着陆等应用。 AI

影响增强了关键点定位模型在安全关键领域的可靠性和适用性。

排序理由介绍计算机视觉模型新方法的学术论文。[lever_c_demoted from research: ic=1 ai=1.0]

在 arXiv cs.CV 阅读 →

AI 生成摘要 · Google Gemini · 来自 1 个来源。我们如何撰写摘要 →

报道来源 [1]

arXiv cs.CV TIER_1 English(EN) · Alexej Klushyn, Juan Rivero Sesma, Florian Seligmann, Richard Kurle, Kinh Tieu, Jayant Sen Gupta · 2026-07-30 04:00

从关键点到预测分布：YOLO-Pose模型的事后不确定性

arXiv:2607.26921v1 Announce Type: new Abstract: YOLO-Pose models provide efficient keypoint localization, but do not quantify the associated spatial uncertainty. We introduce a lightweight post-hoc probabilistic extension that augments a trained YOLO-Pose model with calibrated bi…

报道来源 [1]

从关键点到预测分布：YOLO-Pose模型的事后不确定性

相关实体

相关话题