論文の概要: MetaDetect: Uncertainty Quantification and Prediction Quality Estimates
for Object Detection
- arxiv url: http://arxiv.org/abs/2010.01695v2
- Date: Tue, 6 Oct 2020 15:38:53 GMT
- ステータス: 処理完了
- システム内更新日: 2022-10-11 03:24:35.716735
- Title: MetaDetect: Uncertainty Quantification and Prediction Quality Estimates
for Object Detection
- Title（参考訳）: 物体検出のための不確実性定量化と予測品質推定
- Authors: Marius Schubert, Karsten Kahl, Matthias Rottmann
- Abstract要約: ディープニューラルネットワークを用いたオブジェクト検出では、ボックスワイドのオブジェクト性スコアは過信される傾向にある。
本稿では,任意のニューラルネットワークに対して予測不確実性推定と品質推定を提供するポスト処理手法を提案する。
- 参考スコア（独自算出の注目度）: 6.230751621285322
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: In object detection with deep neural networks, the box-wise objectness score
tends to be overconfident, sometimes even indicating high confidence in
presence of inaccurate predictions. Hence, the reliability of the prediction
and therefore reliable uncertainties are of highest interest. In this work, we
present a post processing method that for any given neural network provides
predictive uncertainty estimates and quality estimates. These estimates are
learned by a post processing model that receives as input a hand-crafted set of
transparent metrics in form of a structured dataset. Therefrom, we learn two
tasks for predicted bounding boxes. We discriminate between true positives
($\mathit{IoU}\geq0.5$) and false positives ($\mathit{IoU} < 0.5$) which we
term meta classification, and we predict $\mathit{IoU}$ values directly which
we term meta regression. The probabilities of the meta classification model aim
at learning the probabilities of success and failure and therefore provide a
modelled predictive uncertainty estimate. On the other hand, meta regression
gives rise to a quality estimate. In numerical experiments, we use the publicly
available YOLOv3 network and the Faster-RCNN network and evaluate meta
classification and regression performance on the Kitti, Pascal VOC and COCO
datasets. We demonstrate that our metrics are indeed well correlated with the
$\mathit{IoU}$. For meta classification we obtain classification accuracies of
up to 98.92% and AUROCs of up to 99.93%. For meta regression we obtain an $R^2$
value of up to 91.78%. These results yield significant improvements compared to
other network's objectness score and other baseline approaches. Therefore, we
obtain more reliable uncertainty and quality estimates which is particularly
interesting in the absence of ground truth.
- Abstract（参考訳）: 深層ニューラルネットワークを用いた物体検出では、ボックスワイズ対象性スコアは自信過剰になりがちであり、不正確な予測の存在に対する高い信頼を示すこともある。
したがって、予測の信頼性と信頼できる不確実性が最も高い。
本研究では,任意のニューラルネットワークに対して予測不確実性推定と品質推定を提供するポスト処理手法を提案する。
これらの推定は、構造化データセットの形で手作りの透明なメトリクスのセットを入力として受け取るポスト処理モデルによって学習される。
そこで,予測境界ボックスの2つのタスクを学習する。
我々は、正の値(\mathit{IoU}\geq0.5$)と偽の正の値(\mathit{IoU} < 0.5$)を区別し、メタ回帰を直接呼ぶ$\mathit{IoU}$値を予測する。
メタ分類モデルの確率は、成功と失敗の確率を学習することを目的としており、モデル化された予測の不確実性推定を提供する。
一方、メタ回帰は品質評価をもたらす。
数値実験では、利用可能なYOLOv3ネットワークとFaster-RCNNネットワークを用いて、Kitti、Pascal VOC、COCOデータセットのメタ分類と回帰性能を評価する。
私たちは、我々のメトリクスが実際に$\mathit{IoU}$とよく相関していることを示します。
メタ分類では98.92%までの分類精度と99.93%までのAUROCを得る。
メタ回帰では、最大91.78%のR^2$値を得る。
これらの結果は、他のネットワークの客観性スコアや他のベースラインアプローチと比べて大幅に改善される。
したがって, 基礎事実が存在しない場合に特に興味深い, 信頼性の高い不確実性と品質推定値が得られる。
関連論文リスト
- Estimating Uncertainty with Implicit Quantile Network [0.0]
不確かさの定量化は多くの性能クリティカルなアプリケーションにおいて重要な部分である。
本稿では,アンサンブル学習やベイズニューラルネットワークなど,既存のアプローチに対する簡単な代替手段を提供する。
論文 参考訳（メタデータ） (2024-08-26T13:33:14Z) - Extracting Usable Predictions from Quantized Networks through
Uncertainty Quantification for OOD Detection [0.0]
OOD検出は、ネットワーク設計の進歩とタスクの複雑さの増大により、より重要になっている。
本稿では、事前学習された視覚モデルから予測の不確かさを定量化する不確実性定量化(UQ)手法を提案する。
我々の手法は、無視されたサンプルの80%が誤分類されるのを防いでいることを観察する。
論文 参考訳（メタデータ） (2024-03-02T03:03:29Z) - $p$-DkNN: Out-of-Distribution Detection Through Statistical Testing of
Deep Representations [32.99800144249333]
我々は、訓練された深層ニューラルネットワークを使用し、その中間の隠蔽表現の類似構造を分析する新しい推論手順である$p$-DkNNを紹介した。
我々は、$p$-DkNNでアダプティブアタッカーが、最悪のOOD入力の形式である敵の例を作成して、入力に意味のある変更を導入する。
論文 参考訳（メタデータ） (2022-07-25T21:42:08Z) - Leveraging Unlabeled Data to Predict Out-of-Distribution Performance [63.740181251997306]
実世界の機械学習デプロイメントは、ソース(トレーニング)とターゲット(テスト)ディストリビューションのミスマッチによって特徴づけられる。
本研究では,ラベル付きソースデータとラベルなしターゲットデータのみを用いて,対象領域の精度を予測する手法を検討する。
本稿では,モデルの信頼度をしきい値として学習し,精度をラベルなし例のごく一部として予測する実践的手法である平均閾値保持信頼度(ATC)を提案する。
論文 参考訳（メタデータ） (2022-01-11T23:01:12Z) - Learning to Predict Trustworthiness with Steep Slope Loss [69.40817968905495]
本研究では,現実の大規模データセットにおける信頼性の予測問題について検討する。
我々は、先行技術損失関数で訓練された信頼性予測器が、正しい予測と誤った予測の両方を信頼に値するものとみなす傾向があることを観察する。
そこで我々は,2つのスライド状の曲線による不正確な予測から,特徴w.r.t.正しい予測を分離する,新たな急勾配損失を提案する。
論文 参考訳（メタデータ） (2021-09-30T19:19:09Z) - Improving Uncertainty Calibration via Prior Augmented Data [56.88185136509654]
ニューラルネットワークは、普遍関数近似器として機能することで、複雑なデータ分布から学習することに成功した。
彼らはしばしば予測に自信過剰であり、不正確で誤った確率的予測に繋がる。
本稿では,モデルが不当に過信である特徴空間の領域を探索し,それらの予測のエントロピーをラベルの以前の分布に対して条件的に高める手法を提案する。
論文 参考訳（メタデータ） (2021-02-22T07:02:37Z) - Estimating and Evaluating Regression Predictive Uncertainty in Deep
Object Detectors [9.273998041238224]
負の対数確率(nll)を持つトレーニング分散ネットワークは、高いエントロピー予測分布をもたらす可能性がある。
我々は,エネルギースコアを非局所的適切なスコアリングルールとして使用し,トレーニングに使用すると,エネルギースコアがより校正され,エントロピーの予測分布が低くなることを示す。
論文 参考訳（メタデータ） (2021-01-13T12:53:54Z) - Second-Moment Loss: A Novel Regression Objective for Improved
Uncertainties [7.766663822644739]
不確実性の定量化は、安全な機械学習を確立する最も有望なアプローチの1つである。
これまでの最も一般的なアプローチの1つはモンテカルロドロップアウトで、計算量的に安価で、実際に簡単に適用できる。
この問題に対処するため,第2モーメント損失(UCI)と呼ばれる新たな目標を提案する。
論文 参考訳（メタデータ） (2020-12-23T14:17:33Z) - Unlabelled Data Improves Bayesian Uncertainty Calibration under
Covariate Shift [100.52588638477862]
後続正則化に基づく近似ベイズ推定法を開発した。
前立腺癌の予後モデルを世界規模で導入する上で,本手法の有用性を実証する。
論文 参考訳（メタデータ） (2020-06-26T13:50:19Z) - Probabilistic Regression for Visual Tracking [193.05958682821444]
本稿では,確率論的回帰定式化を提案し,追跡に適用する。
入力画像が与えられたターゲット状態の条件付き確率密度を予測する。
トラッカーは6つのデータセットに新しい最先端のデータをセットし、LaSOTでは59.8%、TrackingNetでは75.8%のAUCを達成した。
論文 参考訳（メタデータ） (2020-03-27T17:58:37Z) - Meta-Learned Confidence for Few-shot Learning [60.6086305523402]
数ショットのメトリックベースのアプローチのための一般的なトランスダクティブ推論手法は、最も確実なクエリ例の平均で、各クラスのプロトタイプを更新することである。
本稿では,各クエリの信頼度をメタラーニングして,ラベルのないクエリに最適な重みを割り当てる手法を提案する。
4つのベンチマークデータセットに対してメタ学習の信頼度で、少数ショットの学習モデルを検証した。
論文 参考訳（メタデータ） (2020-02-27T10:22:17Z)
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。