論文の概要: Confidence-Aware Learning for Camouflaged Object Detection

• arxiv url: http://arxiv.org/abs/2106.11641v1
• Date: Tue, 22 Jun 2021 09:49:23 GMT
• ステータス: 処理完了
• システム内更新日: 2021-06-23 14:57:13.858552
• Title: Confidence-Aware Learning for Camouflaged Object Detection
• Title（参考訳）: 迷彩物体検出のための信頼度認識学習
• Authors: Jiawei Liu and Jing Zhang and Nick Barnes
• Abstract要約: 動的監視を用いた信頼度を考慮した擬似物体検出フレームワークを提案する。 カモフラージュされた物体検出ネットワークは、我々のカモフラージュ予測を生成するように設計されている。 我々は信頼度推定ネットワークの動的監視を生成する。 トレーニングを済ませば、我々の信頼度推定ネットワークは予測の画素単位の精度を評価できる、と我々は主張する。
• 参考スコア（独自算出の注目度）: 39.463091196871176
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Confidence-aware learning is proven as an effective solution to prevent networks becoming overconfident. We present a confidence-aware camouflaged object detection framework using dynamic supervision to produce both accurate camouflage map and meaningful "confidence" representing model awareness about the current prediction. A camouflaged object detection network is designed to produce our camouflage prediction. Then, we concatenate it with the input image and feed it to the confidence estimation network to produce an one channel confidence map.We generate dynamic supervision for the confidence estimation network, representing the agreement of camouflage prediction with the ground truth camouflage map. With the produced confidence map, we introduce confidence-aware learning with the confidence map as guidance to pay more attention to the hard/low-confidence pixels in the loss function. We claim that, once trained, our confidence estimation network can evaluate pixel-wise accuracy of the prediction without relying on the ground truth camouflage map. Extensive results on four camouflaged object detection testing datasets illustrate the superior performance of the proposed model in explaining the camouflage prediction.
• Abstract（参考訳）: 信頼を意識した学習は、ネットワークが過度に信頼されるのを防ぐ効果的なソリューションとして証明されている。 本稿では, 動的監視を用いて, 現在の予測に対するモデル認識を表す, 正確なカモフラージュマップと有意義な「信頼」の両方を生成する。 camouflaageオブジェクト検出ネットワークは、camouflage予測を生成するように設計されている。 そして、入力画像と結合し、信頼度推定ネットワークにフィードして1チャンネル信頼度マップを生成し、その信頼度推定ネットワークの動的監視を、地上の真偽カモフラージュマップとのカモフラージュ予測の一致を表す形で生成する。 得られた信頼度マップでは、信頼度マップを用いた信頼度学習を導入し、損失関数のハード/ロー信頼画素により注意を払う。 我々は,信頼度推定ネットワークを訓練すると,地上の真偽カモフラージュマップに頼らずに,予測の画素単位の精度を評価することができると主張している。 4つのカモフラージュ物体検出テストデータセットの広範な結果は、カモフラージュ予測を説明する際に提案モデルが優れた性能を示す。

関連論文リスト

• Mitigating Overconfidence in Out-of-Distribution Detection by Capturing Extreme Activations [1.8531577178922987]
  Overconfidence"は特定のニューラルネットワークアーキテクチャの本質的な性質であり、OOD検出の低さにつながる。 ニューラルネットワークの最後層における極端なアクティベーション値を計測し、この過信のプロキシを利用して、複数のOOD検出ベースラインを改善する。 基準値と比較すると,OOD検出は2桁に増加し,精度が向上することが多い。
  論文  参考訳（メタデータ） (2024-05-21T10:14:50Z)
• Revisiting Confidence Estimation: Towards Reliable Failure Prediction [53.79160907725975]
  多くの信頼度推定法は誤分類誤りを検出するのに有害である。 本稿では, 最先端の故障予測性能を示す平坦な最小値を求めることにより, 信頼性ギャップを拡大することを提案する。
  論文  参考訳（メタデータ） (2024-03-05T11:44:14Z)
• A Trustworthiness Score to Evaluate DNN Predictions [1.5484595752241122]
  ディープニューラルネットワークの予測が信頼できるか疑わしいかを知るためには、運用中の安全性が不可欠である。 信頼性スコア(TS: Trustworthiness score)は、予測に対する信頼性を提供するための、より透明で効果的な方法を提供する指標である。 人検出にYOLOv5を用いたケーススタディを行い,TSとSSの手法と使用法を実証した。
  論文  参考訳（メタデータ） (2023-01-21T00:48:18Z)
• Is my Driver Observation Model Overconfident? Input-guided Calibration Networks for Reliable and Interpretable Confidence Estimates [23.449073032842076]
  運転観察モデルは完璧な条件下で展開されることは滅多にない。 生のニューラルネットワークベースのアプローチは、予測品質を大幅に過大評価する傾向がある。 本稿では,CARing(Callibrated Action Recognition with Input Guidance)という,ビデオ表現による信頼度向上学習のためのニューラルネットワークを活用した新しいアプローチを提案する。
  論文  参考訳（メタデータ） (2022-04-10T12:43:58Z)
• Probabilistic Approach for Road-Users Detection [0.0]
  最先端のディープラーニングに基づくオブジェクト検出における大きな課題の1つは、自信過剰なスコアで発生する偽陽性である。 本稿では, 深層物体検出ネットワークに新しい確率層を導入することにより, 過信予測の問題を緩和する手法を提案する。 提案手法は, 真正に対する性能を劣化させることなく, 偽正の過信を低減できることを実証した。
  論文  参考訳（メタデータ） (2021-12-02T16:02:08Z)
• PDC-Net+: Enhanced Probabilistic Dense Correspondence Network [161.76275845530964]
  高度確率密度対応ネットワーク(PDC-Net+)は、精度の高い高密度対応を推定できる。 我々は、堅牢で一般化可能な不確実性予測に適したアーキテクチャと強化されたトレーニング戦略を開発する。 提案手法は,複数の挑戦的幾何マッチングと光学的フローデータセットに対して,最先端の結果を得る。
  論文  参考訳（メタデータ） (2021-09-28T17:56:41Z)
• Learning Accurate Dense Correspondences and When to Trust Them [161.76275845530964]
  2つの画像に関連する密度の高い流れ場と、堅牢な画素方向の信頼度マップの推定を目指しています。 フロー予測とその不確実性を共同で学習するフレキシブルな確率的アプローチを開発する。 本手法は,幾何学的マッチングと光フローデータセットに挑戦する最新の結果を得る。
  論文  参考訳（メタデータ） (2021-01-05T18:54:11Z)
• Adaptive confidence thresholding for monocular depth estimation [83.06265443599521]
  本稿では,自己教師付ステレオマッチング法から生成されたステレオ画像の擬似地上真実深度マップを利用する新しい手法を提案する。 擬似地底深度マップの信頼度マップを推定し、不正確な擬似地底深度マップによる性能劣化を緩和する。 実験結果から, 最先端の単分子深度推定法よりも優れた性能を示した。
  論文  参考訳（メタデータ） (2020-09-27T13:26:16Z)
• Inducing Predictive Uncertainty Estimation for Face Recognition [102.58180557181643]
  顔画像の「マッドペア」から画像品質訓練データを自動的に生成する手法を提案する。 生成したデータを用いて、顔画像の信頼度を推定するために、PCNetと呼ばれる軽量な予測信頼ネットワークを訓練する。
  論文  参考訳（メタデータ） (2020-09-01T17:52:00Z)
• Confidence-aware Adversarial Learning for Self-supervised Semantic Matching [29.132600499226406]
  我々はCAMNet(Confidence-Aware Semantic Matching Network)を紹介する。 まず、自己教師付き学習を通して、一致予測のための高密度信頼マップを推定する。 第2に、推定された信頼度に基づいて、画像平面上の他の位置との信頼性の高いマッチングを伝播することにより、初期予測を洗練する。 我々は,改良中の信頼を利用してセマンティックマッチングの精度を向上し,マッチングネットワーク全体を対象としたエンドツーエンドの自己教師付き対人学習手法を開発した最初の人物である。
  論文  参考訳（メタデータ） (2020-08-25T09:15:48Z)

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。