論文の概要: Uncertainty for Identifying Open-Set Errors in Visual Object Detection

• arxiv url: http://arxiv.org/abs/2104.01328v1
• Date: Sat, 3 Apr 2021 07:12:31 GMT
• ステータス: 処理完了
• システム内更新日: 2021-04-06 14:55:22.035365
• Title: Uncertainty for Identifying Open-Set Errors in Visual Object Detection
• Title（参考訳）: 視覚物体検出におけるオープンセット誤り同定の不確かさ
• Authors: Dimity Miller, Niko S\"underhauf, Michael Milford and Feras Dayoub
• Abstract要約: GMM-Detは、オブジェクト検出器から不確実性を抽出し、オープンセットエラーを識別および拒否するリアルタイムの方法である。 GMM-Detは、オープンセット検出を識別および拒否するための既存の不確実性技術に一貫して勝ることを示す。
• 参考スコア（独自算出の注目度）: 31.533136658421892
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Deployed into an open world, object detectors are prone to a type of false positive detection termed open-set errors. We propose GMM-Det, a real-time method for extracting epistemic uncertainty from object detectors to identify and reject open-set errors. GMM-Det trains the detector to produce a structured logit space that is modelled with class-specific Gaussian Mixture Models. At test time, open-set errors are identified by their low log-probability under all Gaussian Mixture Models. We test two common detector architectures, Faster R-CNN and RetinaNet, across three varied datasets spanning robotics and computer vision. Our results show that GMM-Det consistently outperforms existing uncertainty techniques for identifying and rejecting open-set detections, especially at the low-error-rate operating point required for safety-critical applications. GMM-Det maintains object detection performance, and introduces only minimal computational overhead. We also introduce a methodology for converting existing object detection datasets into specific open-set datasets to consistently evaluate open-set performance in object detection. Code for GMM-Det and the dataset methodology will be made publicly available.
• Abstract（参考訳）: オープンワールドに展開されるオブジェクト検出器は、オープンセットエラーと呼ばれる偽陽性検出のタイプになりがちである。 本稿では,対象検出器からの認識の不確かさをリアルタイムに抽出し,オープンセットエラーを識別・拒否する手法であるgmm-detを提案する。 GMM-Detは検出器を訓練し、クラス固有のガウス混合モデルでモデル化された構造化ロジット空間を生成する。 テスト時に、オープンセットエラーは全てのガウス混合モデルの下でそれらの低いログ確率によって識別される。 r-cnnとretinanetという2つの一般的な検出器アーキテクチャを、ロボティクスとコンピュータビジョンにまたがる3つの異なるデータセットでテストした。 以上の結果から,GMM-Detは,特に安全クリティカルなアプリケーションに必要な低エラーレート動作点において,オープンセット検出の特定と拒否のための既存の不確実性技術よりも優れていた。 GMM-Detはオブジェクト検出性能を維持し、最小限の計算オーバーヘッドしか導入しない。 また、既存のオブジェクト検出データセットを特定のオープンセットデータセットに変換する手法を導入し、オブジェクト検出におけるオープンセット性能を一貫して評価する。 GMM-Detのコードとデータセットの方法論が公開されている。

関連論文リスト

• On the Inherent Robustness of One-Stage Object Detection against Out-of-Distribution Data [6.7236795813629]
  画像データ中の未知物体を検出する新しい検出アルゴリズムを提案する。 モデルによって抽出された特徴に対する次元の呪いの影響を軽減するために、教師付き次元削減技術を利用する。 これは高解像度の特徴マップを用いて、教師なしの方法で潜在的に未知の物体を識別する。
  論文  参考訳（メタデータ） (2024-11-07T10:15:25Z)
• OSAD: Open-Set Aircraft Detection in SAR Images [1.1060425537315088]
  オープンセット検出は、クローズドセットでトレーニングされた検出器によって、すべての既知のオブジェクトを検出し、オープンセット環境で未知のオブジェクトを識別することを目的としている。 これらの課題に対処するため、SAR画像のための新しいオープンセット航空機検出器、Open-Set Aircraft Detection (OSAD) が提案されている。 グローバルコンテキストモデリング(GCM)、位置品質駆動型擬似ラベル生成(LPG)、プロトタイプコントラスト学習(PCL)の3つの専用コンポーネントを備えている。
  論文  参考訳（メタデータ） (2024-11-03T15:06:14Z)
• Anomaly Detection of Tabular Data Using LLMs [54.470648484612866]
  我々は,事前訓練された大規模言語モデル (LLM) がゼロショットバッチレベルの異常検出器であることを示す。 本稿では,実異常検出におけるLCMの潜在性を明らかにするために,エンドツーエンドの微調整手法を提案する。
  論文  参考訳（メタデータ） (2024-06-24T04:17:03Z)
• SalienDet: A Saliency-based Feature Enhancement Algorithm for Object Detection for Autonomous Driving [160.57870373052577]
  未知の物体を検出するために,サリエンデット法(SalienDet)を提案する。 我々のSaienDetは、オブジェクトの提案生成のための画像機能を強化するために、サリエンシに基づくアルゴリズムを利用している。 オープンワールド検出を実現するためのトレーニングサンプルセットにおいて、未知のオブジェクトをすべてのオブジェクトと区別するためのデータセットレザベリングアプローチを設計する。
  論文  参考訳（メタデータ） (2023-05-11T16:19:44Z)
• Hard Nominal Example-aware Template Mutual Matching for Industrial Anomaly Detection [74.9262846410559]
  textbfHard Nominal textbfExample-aware textbfTemplate textbfMutual textbfMatching (HETMM) textitHETMMは、厳密なプロトタイプベースの決定境界を構築することを目的としており、ハードノミナルな例と異常を正確に区別することができる。
  論文  参考訳（メタデータ） (2023-03-28T17:54:56Z)
• CAT: LoCalization and IdentificAtion Cascade Detection Transformer for Open-World Object Detection [17.766859354014663]
  オープンワールドオブジェクト検出には、既知のオブジェクトと未知のオブジェクトの両方を検出するために、既知のオブジェクトのデータからトレーニングされたモデルが必要である。 CAT: LoCalization and IdentificAtion Cascade Detection Transformerを提案する。 我々のモデルはOWOD, インクリメンタルオブジェクト検出(IOD), オープンセット検出といったタスクにおけるすべての指標において, 最先端技術よりも優れていることを示す。
  論文  参考訳（メタデータ） (2023-01-05T09:11:16Z)
• A Robust and Explainable Data-Driven Anomaly Detection Approach For Power Electronics [56.86150790999639]
  本稿では,2つの異常検出・分類手法,すなわち行列プロファイルアルゴリズムと異常変換器を提案する。 行列プロファイルアルゴリズムは、ストリーミング時系列データにおけるリアルタイム異常を検出するための一般化可能なアプローチとして適している。 検知器の感度、リコール、検出精度を調整するために、一連のカスタムフィルタが作成され、追加される。
  論文  参考訳（メタデータ） (2022-09-23T06:09:35Z)
• GLENet: Boosting 3D Object Detectors with Generative Label Uncertainty Estimation [70.75100533512021]
  本稿では,対象物の潜在的可算有界箱の多様性として,ラベルの不確実性問題を定式化する。 本稿では,条件付き変分オートエンコーダを応用した生成フレームワークであるGLENetを提案する。 GLENetが生成するラベルの不確実性はプラグアンドプレイモジュールであり、既存のディープ3D検出器に便利に統合することができる。
  論文  参考訳（メタデータ） (2022-07-06T06:26:17Z)
• 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)
• Labels Are Not Perfect: Inferring Spatial Uncertainty in Object Detection [26.008419879970365]
  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。
  論文  参考訳（メタデータ） (2020-12-18T09:11:44Z)
• Out-Of-Bag Anomaly Detection [0.9449650062296822]
  データ異常は、実世界のデータセットでユビキタスであり、機械学習(ML)システムに悪影響を及ぼす可能性がある。 本稿では,新しいモデルに基づく異常検出手法を提案し,その手法をアウト・オブ・バグ検出と呼ぶ。 本手法は,家庭評価のケーススタディを通じて,データ前処理のステップとして,MLシステムの精度と信頼性を向上させることができることを示す。
  論文  参考訳（メタデータ） (2020-09-20T06:01:52Z)

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。