Neighborhood Spatial Aggregation based Efficient Uncertainty Estimation for Point Cloud Semantic Segmentation (2021-ICRA)
代码地址：https://github.com/chaoqi7/Uncertainty_Estimation_PCSS.
点云语义分割(point cloud semantic segmentation，PCSS)的不确定性估计是指如何量化点的预测标签的置信度，这对于决策任务至关重要，例如机器人抓取、路径规划和自动驾驶。本文作者提出了一种基于邻域空间聚合的方法，NSA-MC dropout，可以高效的实现点云语义分割的不确定性估计。与传统的基于重复推理的不确定性估计方法 MC dropout不同，作者提出的 NSA-MC dropout 通过一次性推理实现了不确定性估计。具体而言，作者设计了一种空间相关的方法，通过仅执行一次随机前向传递模型来对模型进行多次采样，并且它近似于 MC dropout 中基于重复推理的采样过程。此外，称为 NSA 的邻域空间聚合模块聚合每个点的邻域的概率输出结果，并与空间相关采样一起建立输出分布。最后，作者提出了一个不确定性感知框架 NSAMC dropout，以实现有效捕获预测结果的不确定性。实验结果表明，作者的方法获得了与 MC dropout 相当的性能。更重要的是，NSA-MC dropout 对语义推理的效率几乎没有影响，比MC dropout快得多，并且推理时间与采样时间
