論文の概要: Probabilistic Object Classification using CNN ML-MAP layers

• arxiv url: http://arxiv.org/abs/2005.14565v2
• Date: Mon, 24 Aug 2020 11:37:53 GMT
• ステータス: 処理完了
• システム内更新日: 2022-11-26 22:37:10.806796
• Title: Probabilistic Object Classification using CNN ML-MAP layers
• Title（参考訳）: CNNML-MAP層を用いた確率的オブジェクト分類
• Authors: G. Melotti, C. Premebida, J.J. Bird, D.R. Faria, N. Gon\c{c}alves
• Abstract要約: ネットワークのLogit層で計算された分布に基づくCNN確率的手法を提案する。 この新しいアプローチは、SoftMaxと比較して有望なパフォーマンスを示している。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Deep networks are currently the state-of-the-art for sensory perception in autonomous driving and robotics. However, deep models often generate overconfident predictions precluding proper probabilistic interpretation which we argue is due to the nature of the SoftMax layer. To reduce the overconfidence without compromising the classification performance, we introduce a CNN probabilistic approach based on distributions calculated in the network's Logit layer. The approach enables Bayesian inference by means of ML and MAP layers. Experiments with calibrated and the proposed prediction layers are carried out on object classification using data from the KITTI database. Results are reported for camera ($RGB$) and LiDAR (range-view) modalities, where the new approach shows promising performance compared to SoftMax.
• Abstract（参考訳）: ディープネットワークは現在、自律運転とロボット工学における感覚知覚の最先端にある。 しかしながら、深層モデルはしばしば、ソフトマックス層の性質による正当な確率論的解釈を暗示する自信過剰な予測を生成する。 分類性能を損なうことなく過信を低減するため,ネットワークのロジット層で計算された分布に基づくCNN確率的アプローチを提案する。 このアプローチは、ML層とMAP層を用いてベイズ推論を可能にする。 KITTIデータベースのデータを用いて, オブジェクト分類において, キャリブレーションと予測層を用いた実験を行った。 結果はカメラ(RGB$)とLiDAR(レンジビュー)のモダリティで報告され、新しいアプローチはSoftMaxと比較して有望なパフォーマンスを示している。

関連論文リスト

• ConvBKI: Real-Time Probabilistic Semantic Mapping Network with Quantifiable Uncertainty [7.537718151195062]
  我々は,不確実な環境でのリアルタイムカラーブラック(>10Hz)セマンティックマッピングのためのモジュール型ニューラルネットワークを開発した。 提案手法は,従来の確率論的アルゴリズムの信頼性と,現代のニューラルネットワークの性能と効率の両立を図っている。
  論文  参考訳（メタデータ） (2023-10-24T17:30:26Z)
• An Explainable Model-Agnostic Algorithm for CNN-based Biometrics Verification [55.28171619580959]
  本稿では,生体認証環境下でのLIME(Local Interpretable Model-Agnostic Explanations)AI手法の適用について述べる。
  論文  参考訳（メタデータ） (2023-07-25T11:51:14Z)
• Variational Classification [51.2541371924591]
  我々は,変分オートエンコーダの訓練に用いるエビデンスローバウンド(ELBO)に類似した,モデルの訓練を目的とした変分目的を導出する。 軟質マックス層への入力を潜伏変数のサンプルとして扱うことで, 抽象化された視点から, 潜在的な矛盾が明らかとなった。 我々は、標準ソフトマックス層に見られる暗黙の仮定の代わりに、選択された潜在分布を誘導する。
  論文  参考訳（メタデータ） (2023-05-17T17:47:19Z)
• Reducing Overconfidence Predictions for Autonomous Driving Perception [3.1428836133120543]
  対象認識のためのSoftMaxやSigmoidベースの予測よりも,最大a-Posteriori(MAP)関数と最大a-Posteriori(MAP)関数の方が確率論的解釈に適していることを示す。 MLとMAP関数は、既存のトレーニングネットワーク、すなわち、事前トレーニングされたネットワークのLogit層の出力によるアプローチの恩恵を受けることができる。
  論文  参考訳（メタデータ） (2022-02-16T01:59:55Z)
• NUQ: Nonparametric Uncertainty Quantification for Deterministic Neural Networks [151.03112356092575]
  本研究では,Nadaraya-Watson の条件付きラベル分布の非パラメトリック推定に基づく分類器の予測の不確かさの測定方法を示す。 種々の実世界の画像データセットにおける不確実性推定タスクにおいて,本手法の強い性能を示す。
  論文  参考訳（メタデータ） (2022-02-07T12:30:45Z)
• A deep learning based surrogate model for stochastic simulators [0.0]
  シミュレータのための深層学習に基づく代理モデルを提案する。 我々は損失関数として条件付き最大平均誤差(CMMD)を利用する。 その結果,提案手法の優れた性能が得られた。
  論文  参考訳（メタデータ） (2021-10-24T11:38:47Z)
• Interflow: Aggregating Multi-layer Feature Mappings with Attention Mechanism [0.7614628596146599]
  本稿では,従来のCNNモデルに特化してInterflowアルゴリズムを提案する。 Interflowは、深さに応じてCNNを複数のステージに分割し、各ステージの特徴マッピングによって予測する。 勾配の消失問題を緩和し、ネットワーク深度選択の難しさを低減し、過度に適合できる問題を緩和することができる。
  論文  参考訳（メタデータ） (2021-06-26T18:22:01Z)
• CREPO: An Open Repository to Benchmark Credal Network Algorithms [78.79752265884109]
  クレダルネットワークは、確率質量関数の集合であるクレダルに基づく不正確な確率的グラフィカルモデルである。 CREMAと呼ばれるJavaライブラリが最近リリースされ、クレダルネットワークをモデル化し、処理し、クエリする。 我々は,これらのモデル上での推論タスクの正確な結果とともに,合成クレダルネットワークのオープンリポジトリであるcrrepoを提案する。
  論文  参考訳（メタデータ） (2021-05-10T07:31:59Z)
• SLPC: a VRNN-based approach for stochastic lidar prediction and completion in autonomous driving [63.87272273293804]
  VRNN(Variiational Recurrent Neural Networks)と呼ばれる生成モデルに基づく新しいLiDAR予測フレームワークを提案する。 提案手法は,フレーム内の奥行きマップを空間的に塗り替えることで,スパースデータを扱う際の従来のビデオ予測フレームワークの限界に対処できる。 VRNNのスパースバージョンとラベルを必要としない効果的な自己監督型トレーニング方法を紹介します。
  論文  参考訳（メタデータ） (2021-02-19T11:56:44Z)
• Belief Propagation Reloaded: Learning BP-Layers for Labeling Problems [83.98774574197613]
  最も単純な推論手法の1つとして、切り詰められた最大積のBelief伝播を取り上げ、それをディープラーニングモデルの適切なコンポーネントにするために必要となるものを加えます。 このBP-Layerは畳み込みニューラルネットワーク(CNN)の最終ブロックまたは中間ブロックとして使用できる このモデルは様々な密集予測問題に適用可能であり、パラメータ効率が高く、ステレオ、光フロー、セマンティックセグメンテーションにおける堅牢な解を提供する。
  論文  参考訳（メタデータ） (2020-03-13T13:11:35Z)

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。