論文の概要: Improving Video Instance Segmentation by Light-weight Temporal Uncertainty Estimates

• arxiv url: http://arxiv.org/abs/2012.07504v2
• Date: Tue, 13 Apr 2021 12:17:30 GMT
• ステータス: 処理完了
• システム内更新日: 2021-05-08 14:39:44.554656
• Title: Improving Video Instance Segmentation by Light-weight Temporal Uncertainty Estimates
• Title（参考訳）: 軽量時間不確かさ推定によるビデオインスタンスセグメンテーションの改善
• Authors: Kira Maag, Matthias Rottmann, Serin Varghese, Fabian Hueger, Peter Schlicht and Hanno Gottschalk
• Abstract要約: 本稿では,インスタンスセグメンテーションネットワークの不確かさをモデル化するための時間動的手法を提案する。 本稿では,偽陽性の検出と予測品質の推定に本手法を適用した。 提案手法は、容易に訓練されたニューラルネットワークとビデオシーケンス入力のみを必要とする。
• 参考スコア（独自算出の注目度）: 11.580916951856256
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Instance segmentation with neural networks is an essential task in environment perception. In many works, it has been observed that neural networks can predict false positive instances with high confidence values and true positives with low ones. Thus, it is important to accurately model the uncertainties of neural networks in order to prevent safety issues and foster interpretability. In applications such as automated driving, the reliability of neural networks is of highest interest. In this paper, we present a time-dynamic approach to model uncertainties of instance segmentation networks and apply this to the detection of false positives as well as the estimation of prediction quality. The availability of image sequences in online applications allows for tracking instances over multiple frames. Based on an instances history of shape and uncertainty information, we construct temporal instance-wise aggregated metrics. The latter are used as input to post-processing models that estimate the prediction quality in terms of instance-wise intersection over union. The proposed method only requires a readily trained neural network (that may operate on single frames) and video sequence input. In our experiments, we further demonstrate the use of the proposed method by replacing the traditional score value from object detection and thereby improving the overall performance of the instance segmentation network.
• Abstract（参考訳）: ニューラルネットワークによるインスタンスセグメンテーションは、環境認識において不可欠なタスクである。 多くの研究において、ニューラルネットワークは信頼度の高い偽陽性インスタンスと低い偽陽性を予測できることが観察されている。 したがって、ニューラルネットワークの不確かさを正確にモデル化し、安全性の問題を防止し、解釈可能性を高めることが重要である。 自動運転のようなアプリケーションでは、ニューラルネットワークの信頼性が最も注目されている。 本稿では,インスタンスセグメンテーションネットワークの不確かさをモデル化するための時間動的手法を提案し,偽陽性の検出と予測品質の推定に適用する。 オンラインアプリケーションにおける画像シーケンスの可用性により、複数のフレームにわたるインスタンスの追跡が可能になる。 形状と不確実性情報のインスタンス履歴に基づいて,時間的インスタンス単位の集約メトリクスを構築する。 後者は、結合上のインスタンス毎の交叉の観点から予測品質を推定する後処理モデルへの入力として使用される。 提案手法は、容易に訓練されたニューラルネットワーク(単一のフレームで操作できる)とビデオシーケンス入力のみを必要とする。 本実験では,従来のスコア値をオブジェクト検出から置き換え,インスタンス分割ネットワークの全体的な性能を向上させることによって,提案手法の利用をさらに実証する。

関連論文リスト

• Trust, but Verify: Robust Image Segmentation using Deep Learning [7.220625464268644]
  医用画像分割のためのディープニューラルネットワークの出力を検証する手法について述べる。 より深いニューラルレグレッションネットワークを用いた従来のセグメンテーション評価手法は偽陰性に対して脆弱であることを示す。
  論文  参考訳（メタデータ） (2023-10-25T20:55:07Z)
• Probabilistic MIMO U-Net: Efficient and Accurate Uncertainty Estimation for Pixel-wise Regression [1.4528189330418977]
  機械学習における不確実性推定は、予測モデルの信頼性と解釈可能性を高めるための最重要課題である。 画素ワイド回帰タスクに対するMIMO(Multiple-Input Multiple-Output)フレームワークの適応について述べる。
  論文  参考訳（メタデータ） (2023-08-14T22:08:28Z)
• 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)
• MEMO: Test Time Robustness via Adaptation and Augmentation [131.28104376280197]
  テスト時間ロバスト化の問題、すなわちモデルロバスト性を改善するためにテストインプットを用いて検討する。 最近の先行研究ではテスト時間適応法が提案されているが、それぞれ追加の仮定を導入している。 モデルが確率的で適応可能な任意のテスト環境で使用できるシンプルなアプローチを提案する。
  論文  参考訳（メタデータ） (2021-10-18T17:55:11Z)
• Mitigating Performance Saturation in Neural Marked Point Processes: Architectures and Loss Functions [50.674773358075015]
  本稿では,グラフ畳み込み層のみを利用するGCHPという単純なグラフベースのネットワーク構造を提案する。 我々は,GCHPがトレーニング時間を大幅に短縮し,時間間確率仮定による確率比損失がモデル性能を大幅に改善できることを示した。
  論文  参考訳（メタデータ） (2021-07-07T16:59:14Z)
• False Negative Reduction in Video Instance Segmentation using Uncertainty Estimates [0.0]
  本稿では,追跡インスタンスの時系列における不整合に基づく画像列の偽陰性検出手法を提案する。 インスタンス数を大幅に増やすことができるため、インスタンス上に集約された不確実性推定を用いて偽陽性プルーニングを適用する。 提案手法は,単一フレームでのみトレーニング可能な任意のニューラルネットワークに適用可能な後処理ステップとして機能する。
  論文  参考訳（メタデータ） (2021-06-28T08:38:55Z)
• Anomaly Detection on Attributed Networks via Contrastive Self-Supervised Learning [50.24174211654775]
  本論文では,アトリビュートネットワーク上の異常検出のためのコントラスト型自己監視学習フレームワークを提案する。 このフレームワークは、新しいタイプのコントラストインスタンスペアをサンプリングすることで、ネットワークデータからのローカル情報を完全に活用します。 高次元特性と局所構造から情報埋め込みを学習するグラフニューラルネットワークに基づくコントラスト学習モデルを提案する。
  論文  参考訳（メタデータ） (2021-02-27T03:17:20Z)
• 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)
• Robust and integrative Bayesian neural networks for likelihood-free parameter inference [0.0]
  要約統計を学習するための最先端のニューラルネットワークベースの手法は、シミュレーションベースの確率自由パラメータ推論に有望な結果をもたらした。 本研究では,ベイズニューラルネットワークを用いて要約統計学を学習し,カテゴリー分布を用いて後部密度を直接推定する頑健な統合手法を提案する。
  論文  参考訳（メタデータ） (2021-02-12T13:45:23Z)
• Firearm Detection via Convolutional Neural Networks: Comparing a Semantic Segmentation Model Against End-to-End Solutions [68.8204255655161]
  武器の脅威検出とライブビデオからの攻撃的な行動は、潜在的に致命的な事故の迅速検出と予防に使用できる。 これを実現する一つの方法は、人工知能と、特に画像分析のための機械学習を使用することです。 従来のモノリシックなエンド・ツー・エンドのディープラーニングモデルと、セマンティクスセグメンテーションによって火花を検知する単純なニューラルネットワークのアンサンブルに基づく前述したモデルを比較した。
  論文  参考訳（メタデータ） (2020-12-17T15:19:29Z)
• Generate and Verify: Semantically Meaningful Formal Analysis of Neural Network Perception Systems [2.2559617939136505]
  ニューラルネットワーク認識システムの精度を評価するためにテストが続けられている。 我々は、モデルが常に基底真理に結びついたある誤差内で推定を生成することを証明するために、ニューラルネットワークの検証を用いる。
  論文  参考訳（メタデータ） (2020-12-16T23:09:53Z)

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。