論文の概要: Multivariate Confidence Calibration for Object Detection

• arxiv url: http://arxiv.org/abs/2004.13546v1
• Date: Tue, 28 Apr 2020 14:17:41 GMT
• ステータス: 処理完了
• システム内更新日: 2022-12-08 21:58:48.081070
• Title: Multivariate Confidence Calibration for Object Detection
• Title（参考訳）: 物体検出のための多変量信頼度校正
• Authors: Fabian K\"uppers, Jan Kronenberger, Amirhossein Shantia, Anselm Haselhoff
• Abstract要約: 本稿では,物体検出手法の偏りのある信頼度推定を計測・校正するための新しい枠組みを提案する。 提案手法により,画像位置とボックススケールに対する補正された信頼度推定値が得られた。 提案手法は,物体検出タスクにおける最先端キャリブレーションモデルよりも優れていることを示す。
• 参考スコア（独自算出の注目度）: 7.16879432974126
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Unbiased confidence estimates of neural networks are crucial especially for safety-critical applications. Many methods have been developed to calibrate biased confidence estimates. Though there is a variety of methods for classification, the field of object detection has not been addressed yet. Therefore, we present a novel framework to measure and calibrate biased (or miscalibrated) confidence estimates of object detection methods. The main difference to related work in the field of classifier calibration is that we also use additional information of the regression output of an object detector for calibration. Our approach allows, for the first time, to obtain calibrated confidence estimates with respect to image location and box scale. In addition, we propose a new measure to evaluate miscalibration of object detectors. Finally, we show that our developed methods outperform state-of-the-art calibration models for the task of object detection and provides reliable confidence estimates across different locations and scales.
• Abstract（参考訳）: ニューラルネットワークのバイアスのない信頼推定は、特に安全クリティカルなアプリケーションには不可欠である。 偏りのある信頼推定をキャリブレーションする多くの手法が開発されている。 分類には様々な方法があるが、対象検出の分野はまだ解決されていない。 そこで本稿では,物体検出手法の偏り(あるいは不一致)を推定し,推定値の校正を行う新しい枠組みを提案する。 分類器校正の分野における関連する作業との主な違いは、対象検出器の回帰出力の付加情報も校正に用いることである。 我々のアプローチは、画像の位置とボックススケールに関して、初めて校正された信頼度評価を得ることを可能にする。 さらに,物体検出器の誤校正を評価するための新しい手法を提案する。 最後に,本手法は,物体検出タスクにおける最先端のキャリブレーションモデルより優れており,異なる位置とスケールで信頼性の高い推定値を提供する。

関連論文リスト

• Towards Certification of Uncertainty Calibration under Adversarial Attacks [96.48317453951418]
  攻撃はキャリブレーションを著しく損なう可能性を示し, 対向的摂動下でのキャリブレーションにおける最悪のキャリブレーション境界として認定キャリブレーションを提案する。 我々は,新しいキャリブレーション攻撃を提案し,テクスタディバーショナルキャリブレーショントレーニングによりモデルキャリブレーションを改善する方法を示す。
  論文  参考訳（メタデータ） (2024-05-22T18:52:09Z)
• Revisiting Confidence Estimation: Towards Reliable Failure Prediction [53.79160907725975]
  多くの信頼度推定法は誤分類誤りを検出するのに有害である。 本稿では, 最先端の故障予測性能を示す平坦な最小値を求めることにより, 信頼性ギャップを拡大することを提案する。
  論文  参考訳（メタデータ） (2024-03-05T11:44:14Z)
• Beyond Classification: Definition and Density-based Estimation of Calibration in Object Detection [15.71719154574049]
  我々はディープニューラルネットワーク(DNN)の校正誤差の定義と推定に挑戦する。 特に,物体検出に伴うニュアンスに対処するため,分類校正誤差の定義に適応する。 カーネル密度推定を用いた検出校正誤差の一貫した微分可能な推定器を提案する。
  論文  参考訳（メタデータ） (2023-12-11T18:57:05Z)
• Calibration by Distribution Matching: Trainable Kernel Calibration Metrics [56.629245030893685]
  カーネルベースのキャリブレーションメトリクスを導入し、分類と回帰の両方で一般的なキャリブレーションの形式を統一・一般化する。 これらの指標は、異なるサンプル推定を許容しており、キャリブレーションの目的を経験的リスク最小化に組み込むのが容易である。 決定タスクにキャリブレーションメトリクスを調整し、正確な損失推定を行ない、後悔しない決定を行うための直感的なメカニズムを提供する。
  論文  参考訳（メタデータ） (2023-10-31T06:19:40Z)
• Two Sides of Miscalibration: Identifying Over and Under-Confidence Prediction for Network Calibration [1.192436948211501]
  安全クリティカルなタスクにおける信頼性予測には、ディープニューラルネットワークの信頼性校正が不可欠である。 ミススキャリブレーションは、過信と/または過信をモデル化する。 校正点とクラス別校正点を同定するために,新しい校正点である校正点を導入する。 クラスワイドの誤校正スコアをプロキシとして使用して,過度かつ過度に対処可能な校正手法を設計する。
  論文  参考訳（メタデータ） (2023-08-06T17:59:14Z)
• Calibration of Neural Networks [77.34726150561087]
  本稿では,ニューラルネットワークの文脈における信頼性校正問題について調査する。 我々は,問題文,キャリブレーション定義,評価に対する異なるアプローチについて分析する。 実験実験では、様々なデータセットとモデルをカバーし、異なる基準に従って校正方法を比較する。
  論文  参考訳（メタデータ） (2023-03-19T20:27:51Z)
• Uncertainty Calibration and its Application to Object Detection [0.0]
  本研究では,意味的不確実性(どのオブジェクトタイプか)と空間的不確実性(空間的不確実性)について検討する。 オブジェクト検出モデルの予測不確かさが実世界のデータ上で達成された観測誤差と一致しているかを評価する。
  論文  参考訳（メタデータ） (2023-02-06T08:41:07Z)
• On Calibrating Semantic Segmentation Models: Analyses and An Algorithm [51.85289816613351]
  セマンティックセグメンテーションキャリブレーションの問題について検討する。 モデルキャパシティ、作物サイズ、マルチスケールテスト、予測精度はキャリブレーションに影響を及ぼす。 我々は、単純で統一的で効果的なアプローチ、すなわち選択的スケーリングを提案する。
  論文  参考訳（メタデータ） (2022-12-22T22:05:16Z)
• A Review of Uncertainty Calibration in Pretrained Object Detectors [5.440028715314566]
  多クラス設定における事前訓練対象検出アーキテクチャの不確実性校正特性について検討する。 公平でバイアスのない,繰り返し可能な評価を実現するためのフレームワークを提案する。 検出器のキャリブレーションが低い理由について、新しい知見を提供する。
  論文  参考訳（メタデータ） (2022-10-06T14:06:36Z)
• Confidence Calibration for Object Detection and Segmentation [6.700433100198165]
  本章では,物体検出とセグメンテーションモデルのための信頼性校正について検討する。 本稿では,よく知られたキャリブレーション手法の拡張である多変量信頼度キャリブレーションの概念を紹介する。 本研究では,特にオブジェクト検出とインスタンス分割モデルが本質的に誤校正されていることを示す。
  論文  参考訳（メタデータ） (2022-02-25T15:59:51Z)
• CertainNet: Sampling-free Uncertainty Estimation for Object Detection [65.28989536741658]
  ニューラルネットワークの不確実性を推定することは、安全クリティカルな設定において基本的な役割を果たす。 本研究では,オブジェクト検出のための新しいサンプリング不要不確実性推定法を提案する。 私たちはそれをCertainNetと呼び、各出力信号に対して、オブジェクト性、クラス、位置、サイズという、別の不確実性を提供するのは、これが初めてです。
  論文  参考訳（メタデータ） (2021-10-04T17:59:31Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。