論文の概要: Localization Uncertainty-Based Attention for Object Detection
- arxiv url: http://arxiv.org/abs/2108.11042v1
- Date: Wed, 25 Aug 2021 04:32:39 GMT
- ステータス: 処理完了
- システム内更新日: 2021-08-26 13:01:32.270241
- Title: Localization Uncertainty-Based Attention for Object Detection
- Title(参考訳): 物体検出のための位置不確かさに基づく注意
- Authors: Sanghun Park, Kunhee Kim, Eunseop Lee and Daijin Kim
- Abstract要約: ガウスモデルを用いて, 4方向位置決めの不確かさを予測できる, より効率的な不確実性認識型高密度検出器 (UADET) を提案する。
MS COCOベンチマークを用いた実験によると、UADETはベースラインFCOSを一貫して上回り、最高のモデルであるResNext-64x4d-101-DCNは、COCOテストデーブで48.3%の単一スケールAPを得る。
- 参考スコア(独自算出の注目度): 8.154943252001848
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Object detection has been applied in a wide variety of real world scenarios,
so detection algorithms must provide confidence in the results to ensure that
appropriate decisions can be made based on their results. Accordingly, several
studies have investigated the probabilistic confidence of bounding box
regression. However, such approaches have been restricted to anchor-based
detectors, which use box confidence values as additional screening scores
during non-maximum suppression (NMS) procedures. In this paper, we propose a
more efficient uncertainty-aware dense detector (UADET) that predicts
four-directional localization uncertainties via Gaussian modeling. Furthermore,
a simple uncertainty attention module (UAM) that exploits box confidence maps
is proposed to improve performance through feature refinement. Experiments
using the MS COCO benchmark show that our UADET consistently surpasses baseline
FCOS, and that our best model, ResNext-64x4d-101-DCN, obtains a single model,
single-scale AP of 48.3% on COCO test-dev, thus achieving the state-of-the-art
among various object detectors.
- Abstract(参考訳): オブジェクト検出は様々な現実世界のシナリオに適用されているため、検出アルゴリズムは結果に基づいて適切な決定を下せるように、結果に自信を持たなければならない。
そこで, 境界箱回帰の確率的信頼度について検討した。
しかし、このようなアプローチは、非最大抑制(NMS)手順中に追加のスクリーニングスコアとしてボックス信頼値を使用するアンカーベース検出器に制限されている。
本稿では,ガウスモデルを用いて4方向の局所化不確かさを予測する,より効率的な不確実性認識型高密度検出器 (UADET) を提案する。
さらに,ボックス信頼度マップを利用した簡易不確実性注意モジュール (UAM) を提案し,機能改善による性能向上を図っている。
MS COCOベンチマークを用いた実験によると、UADETはベースラインFCOSを一貫して上回り、最高のモデルであるResNext-64x4d-101-DCNは、COCOテストデブ上で48.3%の単一スケールAPを得ることができ、様々な物体検出器の最先端を実現することができる。
関連論文リスト
- Exploiting Low-confidence Pseudo-labels for Source-free Object Detection [54.98300313452037]
Source-free Object Detection (SFOD) は、ラベル付きソースデータにアクセスすることなく、未ラベルのターゲットドメインにソーストレーニングされた検出器を適応することを目的としている。
現在のSFOD法は適応相におけるしきい値に基づく擬似ラベル手法を用いる。
疑似ラベルを最大限に活用するために,高信頼度と低信頼度しきい値を導入する手法を提案する。
論文 参考訳(メタデータ) (2023-10-19T12:59:55Z) - FDINet: Protecting against DNN Model Extraction via Feature Distortion
Index [31.094958502555503]
FDINETは、ディープニューラルネットワーク(DNN)モデルの特徴分布を活用する新しい防御メカニズムである。
FDI類似性を利用して、分散抽出攻撃から衝突する敵を識別する。
FDINETは、91%を超える精度で衝突する敵を識別する能力を示している。
論文 参考訳(メタデータ) (2023-06-20T07:14:37Z) - Conservative Prediction via Data-Driven Confidence Minimization [66.35245313125934]
機械学習モデルのエラーは、特に医療のような安全クリティカルな領域では、コストがかかる。
本稿では、不確実性データセットに対する信頼性を最小化するデータ駆動型信頼性最小化(DCM)を提案する。
実験の結果、DCMは8つのID-OODデータセットペアに対して、最先端のOOD検出方法よりも一貫して優れていることがわかった。
論文 参考訳(メタデータ) (2023-06-08T07:05:36Z) - Uncertainty-Aware AB3DMOT by Variational 3D Object Detection [95.42181254494287]
不確実性推定は統計的に正確な予測を提供する効果的なツールである。
本稿では,変分ニューラルネットワークを用いたTANet 3Dオブジェクト検出器を提案し,不確実性のある3Dオブジェクト検出を行う。
論文 参考訳(メタデータ) (2023-02-12T14:30:03Z) - ConfMix: Unsupervised Domain Adaptation for Object Detection via
Confidence-based Mixing [32.679280923208715]
オブジェクト検出のための教師なしドメイン適応(UDA)は、ソースドメインでトレーニングされたモデルを適用して、アノテーションが利用できない新しいターゲットドメインからインスタンスを検出することを目的としている。
適応型物体検出学習のための領域レベルの検出信頼度に基づくサンプル混合戦略を初めて導入するConfMixを提案する。
論文 参考訳(メタデータ) (2022-10-20T19:16:39Z) - Distribution Calibration for Out-of-Domain Detection with Bayesian
Approximation [35.34001858858684]
Out-of-Domain (OOD) はタスク指向のダイアログシステムにおいて重要なコンポーネントである。
従来のソフトマックスに基づく検出アルゴリズムは、OODサンプルに対して過信的であることが証明されている。
我々は,モンテカルロ・ドロップアウトを用いた分布不確実性校正のためのベイズOOD検出フレームワークを提案する。
論文 参考訳(メタデータ) (2022-09-14T13:04:09Z) - Gradient-Based Quantification of Epistemic Uncertainty for Deep Object
Detectors [8.029049649310213]
本稿では,新しい勾配に基づく不確実性指標を導入し,異なる物体検出アーキテクチャについて検討する。
実験では、真の肯定的/偽の正の判別と、結合上の交叉の予測において顕著な改善が示された。
また,モンテカルロのドロップアウト不確実性指標に対する改善や,さまざまな不確実性指標のソースを集約することで,さらなる大幅な向上が期待できる。
論文 参考訳(メタデータ) (2021-07-09T16:04:11Z) - Probabilistic Ranking-Aware Ensembles for Enhanced Object Detections [50.096540945099704]
本稿では,検知器から箱を囲むことの信頼性を向上するPRAE(Probabilistic Ranking Aware Ensemble)という新しいアンサンブルを提案する。
また,異なる数の箱を扱う必要性によって生じる信頼の不均衡問題に対処するためのbanditアプローチも導入する。
論文 参考訳(メタデータ) (2021-05-07T09:37:06Z) - Uncertainty-Aware Deep Calibrated Salient Object Detection [74.58153220370527]
既存のディープニューラルネットワークに基づくサルエントオブジェクト検出(SOD)手法は主に高いネットワーク精度の追求に重点を置いている。
これらの手法は、信頼不均衡問題として知られるネットワーク精度と予測信頼の間のギャップを見落としている。
我々は,不確実性を考慮した深部SODネットワークを導入し,深部SODネットワークの過信を防止するための2つの戦略を提案する。
論文 参考訳(メタデータ) (2020-12-10T23:28:36Z) - Uncertainty Estimation Using a Single Deep Deterministic Neural Network [66.26231423824089]
本稿では,1回のフォワードパスで,テスト時に分布データポイントの発見と拒否が可能な決定論的ディープモデルを訓練する手法を提案する。
我々は,新しい損失関数とセントロイド更新方式を用いて,これらをスケールトレーニングし,ソフトマックスモデルの精度に適合させる。
論文 参考訳(メタデータ) (2020-03-04T12:27:36Z)
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。