論文の概要: On Calibration of Scene-Text Recognition Models
- arxiv url: http://arxiv.org/abs/2012.12643v1
- Date: Wed, 23 Dec 2020 13:25:25 GMT
- ステータス: 処理完了
- システム内更新日: 2021-04-25 18:17:57.917186
- Title: On Calibration of Scene-Text Recognition Models
- Title(参考訳): シーンテキスト認識モデルの校正について
- Authors: Ron Slossberg, Oron Anschel, Amir Markovitz, Ron Litman, Aviad
Aberdam, Shahar Tsiper, Shai Mazor, Jon Wu and R. Manmatha
- Abstract要約: 我々は最近のSTR法を分析し、それらが常に過信であることを示す。
注意に基づくデコーダでは,個々の文字予測のキャリブレーションが単語レベルのキャリブレーション誤差を増加させることを示す。
- 参考スコア(独自算出の注目度): 16.181357648680365
- License: http://creativecommons.org/licenses/by-nc-nd/4.0/
- Abstract: In this work, we study the problem of word-level confidence calibration for
scene-text recognition (STR). Although the topic of confidence calibration has
been an active research area for the last several decades, the case of
structured and sequence prediction calibration has been scarcely explored. We
analyze several recent STR methods and show that they are consistently
overconfident. We then focus on the calibration of STR models on the word
rather than the character level. In particular, we demonstrate that for
attention based decoders, calibration of individual character predictions
increases word-level calibration error compared to an uncalibrated model. In
addition, we apply existing calibration methodologies as well as new
sequence-based extensions to numerous STR models, demonstrating reduced
calibration error by up to a factor of nearly 7. Finally, we show consistently
improved accuracy results by applying our proposed sequence calibration method
as a preprocessing step to beam-search.
- Abstract(参考訳): 本研究では,シーンテキスト認識(STR)における単語レベルの信頼度校正の問題について検討する。
信頼性キャリブレーションの話題は過去数十年にわたって活発な研究領域であったが、構造的およびシーケンス予測キャリブレーションの事例はほとんど調査されていない。
我々は最近のSTR法を分析し、それらが常に過信であることを示す。
次に、文字レベルではなく単語上のSTRモデルの校正に焦点を当てる。
特に注意に基づくデコーダでは、個々の文字予測のキャリブレーションにより、キャリブレーションされていないモデルと比較して単語レベルのキャリブレーション誤差が増加することを示す。
さらに,既存のキャリブレーション手法と新しいシーケンスベース拡張を多数のSTRモデルに適用し,キャリブレーション誤差を最大7。
最後に,ビームサーチにおける前処理ステップとして提案したシーケンスキャリブレーション法を適用し,一貫した精度向上を示す。
関連論文リスト
- Calibration by Distribution Matching: Trainable Kernel Calibration
Metrics [56.629245030893685]
カーネルベースのキャリブレーションメトリクスを導入し、分類と回帰の両方で一般的なキャリブレーションの形式を統一・一般化する。
これらの指標は、異なるサンプル推定を許容しており、キャリブレーションの目的を経験的リスク最小化に組み込むのが容易である。
決定タスクにキャリブレーションメトリクスを調整し、正確な損失推定を行ない、後悔しない決定を行うための直感的なメカニズムを提供する。
論文 参考訳(メタデータ) (2023-10-31T06:19:40Z) - Calibration of Neural Networks [77.34726150561087]
本稿では,ニューラルネットワークの文脈における信頼性校正問題について調査する。
我々は,問題文,キャリブレーション定義,評価に対する異なるアプローチについて分析する。
実験実験では、様々なデータセットとモデルをカバーし、異なる基準に従って校正方法を比較する。
論文 参考訳(メタデータ) (2023-03-19T20:27:51Z) - Bag of Tricks for In-Distribution Calibration of Pretrained Transformers [8.876196316390493]
プレトレーニング言語モデル(PLM)の信頼性校正に関する実証的研究について述べる。
トレーニングセットに過度に適合したアンサンブルモデルは,サブパーキャリブレーション性能を示す。
校正手法を組み合わせた校正PLM(CALL)を提案する。
論文 参考訳(メタデータ) (2023-02-13T21:11:52Z) - On Calibrating Semantic Segmentation Models: Analyses and An Algorithm [51.85289816613351]
セマンティックセグメンテーションキャリブレーションの問題について検討する。
モデルキャパシティ、作物サイズ、マルチスケールテスト、予測精度はキャリブレーションに影響を及ぼす。
我々は、単純で統一的で効果的なアプローチ、すなわち選択的スケーリングを提案する。
論文 参考訳(メタデータ) (2022-12-22T22:05:16Z) - Meta-Calibration: Learning of Model Calibration Using Differentiable
Expected Calibration Error [46.12703434199988]
我々は、キャリブレーション品質を直接最適化できる、期待キャリブレーション誤差(DECE)のための新しい微分可能なサロゲートを導入する。
また、DECEを用いて検証セットの校正を最適化するメタラーニングフレームワークを提案する。
論文 参考訳(メタデータ) (2021-06-17T15:47:50Z) - Improved Predictive Uncertainty using Corruption-based Calibration [64.49386167517582]
モデル予測が正しいという信頼性/不確かさをデータ上で推定するための簡単なポストホック校正法を提案する。
我々は、既知の腐敗の強度の異なるキャリブレーションセットを破損させることにより、サロゲート校正セットを合成する。
論文 参考訳(メタデータ) (2021-06-07T16:27:18Z) - Post-hoc Uncertainty Calibration for Domain Drift Scenarios [46.88826364244423]
既存のポストホックキャリブレーション手法は、ドメインシフト下での過信予測を高い精度で得ることを示した。
ポストホックキャリブレーションステップを実行する前に、検証セットのサンプルに摂動を適用する簡単な戦略を紹介します。
論文 参考訳(メタデータ) (2020-12-20T18:21:13Z) - Unsupervised Calibration under Covariate Shift [92.02278658443166]
ドメインシフト下でのキャリブレーションの問題を導入し、それに対処するための重要サンプリングに基づくアプローチを提案する。
実世界のデータセットと合成データセットの両方において,本手法の有効性を評価し検討した。
論文 参考訳(メタデータ) (2020-06-29T21:50:07Z) - Calibrating Structured Output Predictors for Natural Language Processing [8.361023354729731]
本稿では,ニューラルネットワークに基づく構造化予測モデルに注目する出力要素の一般的なキャリブレーション手法を提案する。
提案手法は,任意のバイナリクラスキャリブレーションスキームとニューラルネットワークモデルを用いて適用することができる。
提案手法は, 話者認識, パート・オブ・音声, 質問応答における現在のキャリブレーション手法より優れていることを示す。
論文 参考訳(メタデータ) (2020-04-09T04:14:46Z)
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。