論文の概要: Estimating and Exploiting the Aleatoric Uncertainty in Surface Normal Estimation

• arxiv url: http://arxiv.org/abs/2109.09881v1
• Date: Mon, 20 Sep 2021 23:30:04 GMT
• ステータス: 処理完了
• システム内更新日: 2021-09-22 14:20:54.193740
• Title: Estimating and Exploiting the Aleatoric Uncertainty in Surface Normal Estimation
• Title（参考訳）: 表面正規化推定におけるアレタリック不確かさの推定と展開
• Authors: Gwangbin Bae, Ignas Budvytis, Roberto Cipolla
• Abstract要約: 単一画像からの表面正規化は3次元シーン理解において重要な課題である。 本稿では,既存手法で共有されている2つの制約,すなわち,アレータリック不確実性を推定できないこと,および予測における詳細性の欠如に対処する。 本稿では,推定不確実性に基づいて,画素単位のパーセプトロンをサンプルとするデコーダフレームワークを提案する。
• 参考スコア（独自算出の注目度）: 25.003116148843525
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Surface normal estimation from a single image is an important task in 3D scene understanding. In this paper, we address two limitations shared by the existing methods: the inability to estimate the aleatoric uncertainty and lack of detail in the prediction. The proposed network estimates the per-pixel surface normal probability distribution. We introduce a new parameterization for the distribution, such that its negative log-likelihood is the angular loss with learned attenuation. The expected value of the angular error is then used as a measure of the aleatoric uncertainty. We also present a novel decoder framework where pixel-wise multi-layer perceptrons are trained on a subset of pixels sampled based on the estimated uncertainty. The proposed uncertainty-guided sampling prevents the bias in training towards large planar surfaces and improves the quality of prediction, especially near object boundaries and on small structures. Experimental results show that the proposed method outperforms the state-of-the-art in ScanNet and NYUv2, and that the estimated uncertainty correlates well with the prediction error. Code is available at https://github.com/baegwangbin/surface_normal_uncertainty.
• Abstract（参考訳）: 単一画像からの表面正規化は3次元シーン理解において重要な課題である。 本稿では,既存手法で共有されている2つの制約,すなわち,アレータリック不確実性を推定できないこと,予測における詳細性の欠如に対処する。 提案ネットワークはピクセル単位の表面正規確率分布を推定する。 本稿では, 学習減衰による負の対数類似度が角損失であるような分布の新しいパラメータ化を提案する。 角誤差の期待値は、アレエータの不確かさの尺度として用いられる。 また,推定不確実性に基づいてサンプリングされた画素のサブセット上で画素単位の多層パーセプトロンを訓練する新しいデコーダフレームワークを提案する。 提案する不確実性誘導サンプリングは,大規模平面面へのトレーニングのバイアスを防止し,特に物体境界付近や小構造物の予測精度を向上させる。 実験の結果,提案手法はscannetとnyuv2の最先端技術よりも優れており,推定不確かさは予測誤差とよく相関することがわかった。 コードはhttps://github.com/baegwangbin/surface_normal_uncertaintyで入手できる。

関連論文リスト

• One step closer to unbiased aleatoric uncertainty estimation [71.55174353766289]
  そこで本研究では,観測データのアクティブデノイズ化による新しい推定手法を提案する。 幅広い実験を行うことで,提案手法が標準手法よりも実際のデータ不確実性にはるかに近い近似を与えることを示す。
  論文  参考訳（メタデータ） (2023-12-16T14:59:11Z)
• Discretization-Induced Dirichlet Posterior for Robust Uncertainty Quantification on Regression [17.49026509916207]
  不確実性定量化は、現実世界のアプリケーションにディープニューラルネットワーク(DNN)をデプロイするために重要である。 視覚回帰タスクでは、現在のAuxUE設計は、主にアレタリック不確実性推定に採用されている。 回帰タスクにおけるより堅牢な不確実性定量化のための一般化されたAuxUEスキームを提案する。
  論文  参考訳（メタデータ） (2023-08-17T15:54:11Z)
• NUQ: Nonparametric Uncertainty Quantification for Deterministic Neural Networks [151.03112356092575]
  本研究では,Nadaraya-Watson の条件付きラベル分布の非パラメトリック推定に基づく分類器の予測の不確かさの測定方法を示す。 種々の実世界の画像データセットにおける不確実性推定タスクにおいて,本手法の強い性能を示す。
  論文  参考訳（メタデータ） (2022-02-07T12:30:45Z)
• Dense Uncertainty Estimation via an Ensemble-based Conditional Latent Variable Model [68.34559610536614]
  我々は、アレータリック不確実性はデータの固有の特性であり、偏見のないオラクルモデルでのみ正確に推定できると論じる。 そこで本研究では,軌道不確実性推定のためのオラクルモデルを近似するために,列車時の新しいサンプリングと選択戦略を提案する。 以上の結果から,提案手法は精度の高い決定論的結果と確実な不確実性推定の両方を達成できることが示唆された。
  論文  参考訳（メタデータ） (2021-11-22T08:54:10Z)
• Dense Uncertainty Estimation [62.23555922631451]
  本稿では,ニューラルネットワークと不確実性推定手法について検討し,正確な決定論的予測と確実性推定の両方を実現する。 本研究では,アンサンブルに基づく手法と生成モデルに基づく手法の2つの不確実性推定法について検討し,それらの長所と短所を,完全/半端/弱度に制御されたフレームワークを用いて説明する。
  論文  参考訳（メタデータ） (2021-10-13T01:23:48Z)
• 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)
• Uncertainty Intervals for Graph-based Spatio-Temporal Traffic Prediction [0.0]
  本研究では,従来の時間ステップの測定値から密度を推定するよう訓練された時空間ニューラルネットワークを提案する。 この密度推定法はニューラルネットワークによって完全にパラメータ化され, 内部では近似値を用いない。 このアプローチは、モンテカルロドロップアウトのような推論中にサンプリングする必要なしに不確実性推定を生成する。
  論文  参考訳（メタデータ） (2020-12-09T18:02:26Z)
• Learnable Uncertainty under Laplace Approximations [65.24701908364383]
  我々は、予測そのものに分離された方法で不確実性を明示的に「訓練」するために形式主義を発展させる。 これらのユニットは不確実性を認識した目標によってトレーニング可能であり、標準的なラプラス近似の性能を向上させることができる。
  論文  参考訳（メタデータ） (2020-10-06T13:43:33Z)
• Towards Better Performance and More Explainable Uncertainty for 3D Object Detection of Autonomous Vehicles [33.0319422469465]
  そこで本研究では,LiDARに基づく3次元物体検出の性能を向上させるために,ロス関数の新たな形式を提案する。 新たな損失関数により,KITTIデータセットのval分割における手法の性能は平均精度で15%向上した。
  論文  参考訳（メタデータ） (2020-06-22T05:49:58Z)

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。