論文の概要: Labels Are Not Perfect: Inferring Spatial Uncertainty in Object
Detection
- arxiv url: http://arxiv.org/abs/2012.12195v1
- Date: Fri, 18 Dec 2020 09:11:44 GMT
- ステータス: 処理完了
- システム内更新日: 2021-05-02 01:57:12.538366
- Title: Labels Are Not Perfect: Inferring Spatial Uncertainty in Object
Detection
- Title(参考訳): ラベルは完璧ではない:物体検出における空間的不確かさの推測
- Authors: Di Feng, Zining Wang, Yiyang Zhou, Lars Rosenbaum, Fabian Timm, Klaus
Dietmayer, Masayoshi Tomizuka, Wei Zhan
- Abstract要約: 本研究では,生成モデルに基づいて,lidar point cloudのバウンディングボックスラベルの不確かさを推定する。
包括的実験により,提案モデルはライダー知覚とラベル品質の複雑な環境雑音を反映していることがわかった。
ラベルの不確実性を組み込んだ新しい評価指標としてJaccard IoUを提案する。
- 参考スコア(独自算出の注目度): 26.008419879970365
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: The availability of many real-world driving datasets is a key reason behind
the recent progress of object detection algorithms in autonomous driving.
However, there exist ambiguity or even failures in object labels due to
error-prone annotation process or sensor observation noise. Current public
object detection datasets only provide deterministic object labels without
considering their inherent uncertainty, as does the common training process or
evaluation metrics for object detectors. As a result, an in-depth evaluation
among different object detection methods remains challenging, and the training
process of object detectors is sub-optimal, especially in probabilistic object
detection. In this work, we infer the uncertainty in bounding box labels from
LiDAR point clouds based on a generative model, and define a new representation
of the probabilistic bounding box through a spatial uncertainty distribution.
Comprehensive experiments show that the proposed model reflects complex
environmental noises in LiDAR perception and the label quality. Furthermore, we
propose Jaccard IoU (JIoU) as a new evaluation metric that extends IoU by
incorporating label uncertainty. We conduct an in-depth comparison among
several LiDAR-based object detectors using the JIoU metric. Finally, we
incorporate the proposed label uncertainty in a loss function to train a
probabilistic object detector and to improve its detection accuracy. We verify
our proposed methods on two public datasets (KITTI, Waymo), as well as on
simulation data. Code is released at https://bit.ly/2W534yo.
- Abstract(参考訳): 多くの現実世界の運転データセットが利用できることは、自律運転におけるオブジェクト検出アルゴリズムの最近の進歩の背景にある重要な理由である。
しかしながら、オブジェクトラベルの曖昧さや失敗は、エラーを起こしやすいアノテーションプロセスやセンサ観測ノイズによるものである。
現在の公開オブジェクト検出データセットは、オブジェクト検出のための一般的なトレーニングプロセスや評価メトリクスと同様に、固有の不確かさを考慮せずに、決定論的オブジェクトラベルのみを提供する。
その結果, 物体検出手法の深度評価は依然として困難であり, 特に確率的物体検出において, 物体検出の訓練プロセスは準最適であることがわかった。
本研究では,lidar点雲から境界ボックスラベルの不確かさを生成モデルに基づいて推定し,空間的不確実性分布を通じて確率的境界ボックスの新しい表現を定義する。
包括的実験により,提案モデルはライダー知覚とラベル品質の複雑な環境雑音を反映していることがわかった。
さらに,ラベルの不確実性を組み込んだ評価指標として,Jaccard IoU(JIoU)を提案する。
JIoU測定値を用いて,複数のLiDAR系物体検出器の奥行き比較を行う。
最後に,提案するラベルの不確かさを損失関数に組み込んで確率的物体検出器を訓練し,検出精度を向上させる。
提案手法を2つの公開データセット (kitti, waymo) とシミュレーションデータで検証した。
コードはhttps://bit.ly/2W534yoでリリースされる。
関連論文リスト
- Omni-DETR: Omni-Supervised Object Detection with Transformers [165.4190908259015]
我々は、ラベルなし、完全ラベル付き、弱ラベル付きアノテーションを使用できるOmni教師付きオブジェクト検出の問題を考察する。
この統一アーキテクチャの下では、異なる種類の弱いラベルを利用して正確な擬似ラベルを生成することができる。
弱いアノテーションは検出性能を向上させるのに役立ち、それらの混合はアノテーションのコストと精度のトレードオフを改善することができる。
論文 参考訳(メタデータ) (2022-03-30T06:36:09Z) - SIOD: Single Instance Annotated Per Category Per Image for Object
Detection [67.64774488115299]
画像内の既存のカテゴリ毎に1つのインスタンスアノテーションのみを必要とする単一インスタンスアノテーションオブジェクト検出(SIOD)を提案する。
WSOD(Inter-task)やSSOD(Inter-image)の相違点からイメージ内の相違点に分解されたSIODは、ラベルなしインスタンスの残りをマイニングする上で、より信頼性が高く豊富な事前知識を提供する。
SIOD設定下では、類似性に基づく擬似ラベル生成モジュール(SPLG)と、Pixelレベルのグループコントラスト学習モジュール(PGCL)からなる、シンプルで効果的なフレームワークであるDual-Mining(DMiner)を提案する。
論文 参考訳(メタデータ) (2022-03-29T08:49:51Z) - Object Detection as Probabilistic Set Prediction [3.7599363231894176]
本稿では,確率的物体検出器の評価と訓練を行うための適切なスコアリングルールを提案する。
以上の結果から,既存の検出器のトレーニングは非確率的指標に最適化されていることが示唆された。
論文 参考訳(メタデータ) (2022-03-15T15:13:52Z) - PseudoProp: Robust Pseudo-Label Generation for Semi-Supervised Object
Detection in Autonomous Driving Systems [42.51709009844805]
本稿では,映像フレームにおける動きの連続性を利用して,ロバストな擬似ラベルを生成する手法を提案する。
提案手法は,mAP75において,最先端の半教師対象検出手法を7.4%向上させる。
論文 参考訳(メタデータ) (2022-03-11T15:09:29Z) - Sparsely Annotated Object Detection: A Region-based Semi-supervised
Approach [85.82643188372678]
トレーニングデータにアノテーションがない場合、オブジェクト検出器のパフォーマンスが著しく低下する。
本研究では,未ラベルのフォアグラウンドオブジェクトを含む領域を自動的に識別する領域ベース半教師付きアルゴリズムを提案する。
そこで,本アルゴリズムは,半教師付き手法で一般的な手法であるラベル付きおよびラベルなし前景領域を異なる方法で処理する。
論文 参考訳(メタデータ) (2022-01-12T18:57:04Z) - Attentive Prototypes for Source-free Unsupervised Domain Adaptive 3D
Object Detection [85.11649974840758]
3Dオブジェクト検出ネットワークは、トレーニングされたデータに対してバイアスを受ける傾向がある。
そこで本研究では,ライダーを用いた3次元物体検出器のソースレス・教師なし領域適応のための単一フレーム手法を提案する。
論文 参考訳(メタデータ) (2021-11-30T18:42:42Z) - 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) - Incorporating Data Uncertainty in Object Tracking Algorithms [2.3204178451683264]
物体追跡法は、通常、測定ノイズ、偽陽性率、発見率の欠落という形で測定誤差モデルに依存する。
ニューラルネット処理されたカメラ入力から生成された検出では、測定誤差統計はエラーの主原因を表すのに十分ではない。
本研究では,オブジェクトの追跡能力の向上など,データ不確実性をオブジェクト追跡手法に組み込むことについて検討する。
論文 参考訳(メタデータ) (2021-09-22T05:30:46Z) - Uncertainty-Aware Model Adaptation for Unsupervised Cross-Domain Object
Detection [12.807987076435928]
この研究は、教師なしのクロスドメインオブジェクト検出問題に取り組む。
これは、事前訓練された物体検出器をラベルなしで新しいターゲットドメインに一般化することを目的としている。
論文 参考訳(メタデータ) (2021-08-28T09:37:18Z) - Towards Real-World Prohibited Item Detection: A Large-Scale X-ray
Benchmark [53.9819155669618]
本稿では,PIDrayと命名された大規模データセットについて述べる。
大量の努力を払って、私たちのデータセットには、高品質な注釈付きセグメンテーションマスクとバウンディングボックスを備えた47,677ドルのX線画像に、禁止アイテムの12ドルカテゴリが含まれています。
提案手法は最先端の手法に対して,特に故意に隠された項目を検出するために好適に機能する。
論文 参考訳(メタデータ) (2021-08-16T11:14:16Z)
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。