論文の概要: CertainNet: Sampling-free Uncertainty Estimation for Object Detection

• arxiv url: http://arxiv.org/abs/2110.01604v1
• Date: Mon, 4 Oct 2021 17:59:31 GMT
• ステータス: 処理完了
• システム内更新日: 2021-10-05 15:40:53.759926
• Title: CertainNet: Sampling-free Uncertainty Estimation for Object Detection
• Title（参考訳）: certainnet: オブジェクト検出のためのサンプリングフリー不確実性推定
• Authors: Stefano Gasperini, Jan Haug, Mohammad-Ali Nikouei Mahani, Alvaro Marcos-Ramiro, Nassir Navab, Benjamin Busam, Federico Tombari
• Abstract要約: 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。
• 参考スコア（独自算出の注目度）: 65.28989536741658
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Estimating the uncertainty of a neural network plays a fundamental role in safety-critical settings. In perception for autonomous driving, measuring the uncertainty means providing additional calibrated information to downstream tasks, such as path planning, that can use it towards safe navigation. In this work, we propose a novel sampling-free uncertainty estimation method for object detection. We call it CertainNet, and it is the first to provide separate uncertainties for each output signal: objectness, class, location and size. To achieve this, we propose an uncertainty-aware heatmap, and exploit the neighboring bounding boxes provided by the detector at inference time. We evaluate the detection performance and the quality of the different uncertainty estimates separately, also with challenging out-of-domain samples: BDD100K and nuImages with models trained on KITTI. Additionally, we propose a new metric to evaluate location and size uncertainties. When transferring to unseen datasets, CertainNet generalizes substantially better than previous methods and an ensemble, while being real-time and providing high quality and comprehensive uncertainty estimates.
• Abstract（参考訳）: ニューラルネットワークの不確実性の推定は、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。 自律運転の認識において、不確実性を測定することは、経路計画などの下流タスクに、安全なナビゲーションに使用可能な追加の校正情報を提供することを意味する。 本研究では,物体検出のためのサンプリングフリー不確かさ推定手法を提案する。 私たちはそれを certainnet と呼び、オブジェクト、クラス、場所、サイズといった出力信号ごとに別々の不確実性を提供する最初の方法です。 そこで本研究では,不確実性を考慮したヒートマップを提案し,検出器が提供する隣接境界ボックスを推定時に活用する。 我々は、KITTIでトレーニングされたモデルを用いたBDD100KとnuImagesというドメイン外のサンプルを用いて、検出性能と異なる不確実性推定の品質を別々に評価した。 さらに,位置情報と大きさの不確実性を評価するための新しい指標を提案する。 目に見えないデータセットに転送する場合、CertainNetは、リアルタイムであり、高品質で包括的な不確実性推定を提供するとともに、従来の方法やアンサンブルよりも大幅に優れた一般化を行う。

関連論文リスト

• EvCenterNet: Uncertainty Estimation for Object Detection using Evidential Learning [26.535329379980094]
  EvCenterNetは、新しい不確実性を認識した2Dオブジェクト検出フレームワークである。 分類と回帰の不確実性の両方を推定するために、顕在的学習を用いる。 我々は、KITTIデータセット上でモデルをトレーニングし、配布外のデータセットに挑戦して評価する。
  論文  参考訳（メタデータ） (2023-03-06T11:07:11Z)
• Uncertainty-Aware AB3DMOT by Variational 3D Object Detection [74.8441634948334]
  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)
• Reliability-Aware Prediction via Uncertainty Learning for Person Image Retrieval [51.83967175585896]
  UALは、データ不確実性とモデル不確実性を同時に考慮し、信頼性に配慮した予測を提供することを目的としている。 データ不確実性はサンプル固有のノイズを捕捉する」一方、モデル不確実性はサンプルの予測に対するモデルの信頼を表現している。
  論文  参考訳（メタデータ） (2022-10-24T17:53:20Z)
• A Review of Uncertainty Calibration in Pretrained Object Detectors [5.440028715314566]
  多クラス設定における事前訓練対象検出アーキテクチャの不確実性校正特性について検討する。 公平でバイアスのない,繰り返し可能な評価を実現するためのフレームワークを提案する。 検出器のキャリブレーションが低い理由について、新しい知見を提供する。
  論文  参考訳（メタデータ） (2022-10-06T14:06:36Z)
• 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)
• Learning Uncertainty For Safety-Oriented Semantic Segmentation In Autonomous Driving [77.39239190539871]
  自律運転における安全クリティカル画像セグメンテーションを実現するために、不確実性推定をどのように活用できるかを示す。 相似性関数によって測定された不一致予測に基づく新しい不確実性尺度を導入する。 本研究では,提案手法が競合手法よりも推論時間において計算集約性が低いことを示す。
  論文  参考訳（メタデータ） (2021-05-28T09:23:05Z)
• Localization Uncertainty Estimation for Anchor-Free Object Detection [48.931731695431374]
  アンカーベース物体検出のための既存の不確実性推定手法にはいくつかの制限がある。 アンカーフリー物体検出のためのUADと呼ばれる新しい位置推定不確実性推定手法を提案する。 本手法は,ボックスオフセットの4方向の不確かさを均一に捉え,どの方向が不確実であるかを判断する。
  論文  参考訳（メタデータ） (2020-06-28T13:49:30Z)
• Multivariate Confidence Calibration for Object Detection [7.16879432974126]
  本稿では,物体検出手法の偏りのある信頼度推定を計測・校正するための新しい枠組みを提案する。 提案手法により,画像位置とボックススケールに対する補正された信頼度推定値が得られた。 提案手法は,物体検出タスクにおける最先端キャリブレーションモデルよりも優れていることを示す。
  論文  参考訳（メタデータ） (2020-04-28T14:17:41Z)

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。