論文の概要: Evaluating Uncertainty Estimation Methods on 3D Semantic Segmentation of
Point Clouds
- arxiv url: http://arxiv.org/abs/2007.01787v1
- Date: Fri, 3 Jul 2020 16:22:34 GMT
- ステータス: 処理完了
- システム内更新日: 2022-11-14 05:21:34.835990
- Title: Evaluating Uncertainty Estimation Methods on 3D Semantic Segmentation of
Point Clouds
- Title(参考訳): 点雲の3次元セマンティックセグメンテーションにおける不確かさ推定法の評価
- Authors: Swaroop Bhandary K and Nico Hochgeschwender and Paul Pl\"oger and
Frank Kirchner and Matias Valdenegro-Toro
- Abstract要約: 我々はDarkNet21Seg 3Dセマンティックセグメンテーションモデル上で,Deep Ensembles, MC-Dropout, MC-DropConnectの3つの不確実性定量化手法を評価する。
Deep Ensemblesは、パフォーマンスと不確実性の両方で、他の手法よりも優れています。
- 参考スコア(独自算出の注目度): 9.957957463532738
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Deep learning models are extensively used in various safety critical
applications. Hence these models along with being accurate need to be highly
reliable. One way of achieving this is by quantifying uncertainty. Bayesian
methods for UQ have been extensively studied for Deep Learning models applied
on images but have been less explored for 3D modalities such as point clouds
often used for Robots and Autonomous Systems. In this work, we evaluate three
uncertainty quantification methods namely Deep Ensembles, MC-Dropout and
MC-DropConnect on the DarkNet21Seg 3D semantic segmentation model and
comprehensively analyze the impact of various parameters such as number of
models in ensembles or forward passes, and drop probability values, on task
performance and uncertainty estimate quality. We find that Deep Ensembles
outperforms other methods in both performance and uncertainty metrics. Deep
ensembles outperform other methods by a margin of 2.4% in terms of mIOU, 1.3%
in terms of accuracy, while providing reliable uncertainty for decision making.
- Abstract(参考訳): 深層学習モデルは、様々な安全クリティカルな応用に広く利用されている。
したがって、これらのモデルと正確性は高い信頼性を必要とする。
これを達成する一つの方法は不確実性を定量化することである。
UQのベイズ的手法は、画像に適用されたディープラーニングモデルに対して広範囲に研究されてきたが、ロボットや自律システムによく使用される点雲のような3Dモダリティについては研究されていない。
本研究では,DarkNet21Segのセマンティックセマンティックセグメンテーションモデル上でのDeep Ensembles, MC-Dropout, MC-DropConnectの3つの不確実性定量化手法を評価し, アンサンブルやフォワードパスのモデル数, タスク性能および不確実性推定品質に対する確率値の低下など,様々なパラメータの影響を包括的に分析する。
Deep Ensemblesは、パフォーマンスと不確実性の両方で、他の手法よりも優れています。
ディープアンサンブルは、miouでは2.4%、精度では1.3%、意思決定では信頼できる不確実性を提供しながら、他の手法を上回っている。
関連論文リスト
- Not Every Side Is Equal: Localization Uncertainty Estimation for
Semi-Supervised 3D Object Detection [38.77989138502667]
点雲からの半教師付き3Dオブジェクト検出は、少数のラベル付きデータと多数のラベルなしデータで検出器を訓練することを目的としている。
既存の方法は、各擬似境界ボックス全体を扱い、トレーニング中に各側面に等しい重要性を割り当てる。
3つの鍵設計からなる半教師付き3次元物体検出のためのサイドアウェアフレームワークを提案する。
論文 参考訳(メタデータ) (2023-12-16T09:08:03Z) - Measuring and Modeling Uncertainty Degree for Monocular Depth Estimation [50.920911532133154]
単分子深度推定モデル(MDE)の本質的な不適切さと順序感性は、不確かさの程度を推定する上で大きな課題となる。
本稿では,MDEモデルの不確かさを固有確率分布の観点からモデル化する。
新たなトレーニング正規化用語を導入することで、驚くほど単純な構成で、余分なモジュールや複数の推論を必要とせずに、最先端の信頼性で不確実性を推定できる。
論文 参考訳(メタデータ) (2023-07-19T12:11:15Z) - Single Image Depth Prediction Made Better: A Multivariate Gaussian Take [163.14849753700682]
本稿では,画素ごとの深度を連続的にモデル化する手法を提案する。
提案手法の精度(MG)は,KITTI深度予測ベンチマークリーダーボードの上位に位置する。
論文 参考訳(メタデータ) (2023-03-31T16:01:03Z) - Uncertainty-Aware AB3DMOT by Variational 3D Object Detection [95.42181254494287]
不確実性推定は統計的に正確な予測を提供する効果的なツールである。
本稿では,変分ニューラルネットワークを用いたTANet 3Dオブジェクト検出器を提案し,不確実性のある3Dオブジェクト検出を行う。
論文 参考訳(メタデータ) (2023-02-12T14:30:03Z) - Quantifying Model Uncertainty for Semantic Segmentation using Operators
in the RKHS [20.348825818435767]
本稿では,セマンティックセグメンテーションモデルの高精度な予測不確実性定量化のためのフレームワークを提案する。
我々は、ヒルベルト空間(RKHS)を再現するカーネルにおけるモデルの特徴空間に関連する不確実性の多項関数定義を用いる。
これにより、従来のベイズ法よりもモデルの不確実性に対するはるかに正確な見方が導かれる。
論文 参考訳(メタデータ) (2022-11-03T17:10:49Z) - Reliability-Aware Prediction via Uncertainty Learning for Person Image
Retrieval [51.83967175585896]
UALは、データ不確実性とモデル不確実性を同時に考慮し、信頼性に配慮した予測を提供することを目的としている。
データ不確実性はサンプル固有のノイズを捕捉する」一方、モデル不確実性はサンプルの予測に対するモデルの信頼を表現している。
論文 参考訳(メタデータ) (2022-10-24T17:53:20Z) - Mixed Precision Quantization to Tackle Gradient Leakage Attacks in
Federated Learning [1.7205106391379026]
フェデレートラーニング(FL)は、明示的なデータ共有を必要とせずに、多数の参加者の間で協調的なモデル構築を可能にする。
このアプローチは、プライバシ推論攻撃を適用した際の脆弱性を示す。
特に、モデル勾配からセンシティブなデータを取得する上で高い成功率を持つ勾配リーク攻撃の場合、FLモデルは、その固有のアーキテクチャにおける通信の存在により、高いリスクを負う。
論文 参考訳(メタデータ) (2022-10-22T04:24:32Z) - BayesCap: Bayesian Identity Cap for Calibrated Uncertainty in Frozen
Neural Networks [50.15201777970128]
本研究では,凍結モデルに対するベイズIDマッピングを学習し,不確実性の推定を可能にするBayesCapを提案する。
BayesCapは、元のデータセットのごく一部でトレーニングできる、メモリ効率のよいメソッドである。
本稿では,多種多様なアーキテクチャを用いた多種多様なタスクに対する本手法の有効性を示す。
論文 参考訳(メタデータ) (2022-07-14T12:50:09Z) - Fast Uncertainty Quantification for Deep Object Pose Estimation [91.09217713805337]
深層学習に基づくオブジェクトポーズ推定は、しばしば信頼できない、自信過剰である。
本研究では,6-DoFオブジェクトのポーズ推定のための,シンプルで効率的かつプラグアンドプレイなUQ手法を提案する。
論文 参考訳(メタデータ) (2020-11-16T06:51:55Z) - Uncertainty Estimation for End-To-End Learned Dense Stereo Matching via
Probabilistic Deep Learning [0.0]
重極補正ステレオ画像対からの結合深さと不確実性推定のタスクに対して,新しい確率的ニューラルネットワークを提案する。
ネットワークは、予測毎にパラメータがサンプリングされる確率分布を学習する。
推定深度と不確実性情報の質を3つの異なるデータセットで広範囲に評価する。
論文 参考訳(メタデータ) (2020-02-10T11:27:52Z)
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。