論文の概要: False Positive Detection and Prediction Quality Estimation for LiDAR Point Cloud Segmentation

• arxiv url: http://arxiv.org/abs/2110.15681v1
• Date: Fri, 29 Oct 2021 11:00:30 GMT
• ステータス: 処理完了
• システム内更新日: 2021-11-01 13:39:09.047375
• Title: False Positive Detection and Prediction Quality Estimation for LiDAR Point Cloud Segmentation
• Title（参考訳）: LiDAR点雲分割における偽陽性検出と予測品質推定
• Authors: Pascal Colling, Matthias Rottmann, Lutz Roese-Koerner, Hanno Gottschalk
• Abstract要約: 我々は,LidarMetaSegと呼ばれる,LiDARポイントクラウドデータのセマンティックセグメンテーションのための新しい後処理ツールを提案する。 我々は,ネットワークの確率出力に基づく分散度と,点雲の入力特徴に基づく特徴度を計算し,セグメントレベルで集計する。 これらの集約された測度は、予測されたセグメントが偽陽性か否かを予測するためのメタ分類モデルをトレーニングするために使用され、メタ回帰モデルは、結合上のセグメントワイドの交叉を予測するために使用される。
• 参考スコア（独自算出の注目度）: 5.735035463793009
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: We present a novel post-processing tool for semantic segmentation of LiDAR point cloud data, called LidarMetaSeg, which estimates the prediction quality segmentwise. For this purpose we compute dispersion measures based on network probability outputs as well as feature measures based on point cloud input features and aggregate them on segment level. These aggregated measures are used to train a meta classification model to predict whether a predicted segment is a false positive or not and a meta regression model to predict the segmentwise intersection over union. Both models can then be applied to semantic segmentation inferences without knowing the ground truth. In our experiments we use different LiDAR segmentation models and datasets and analyze the power of our method. We show that our results outperform other standard approaches.
• Abstract（参考訳）: 本稿では,lidarポイントクラウドデータのセマンティクスセグメンテーションのための新しい後処理ツールであるlidarmetasegを提案する。 この目的のために,ネットワーク確率出力に基づく分散測度と,ポイントクラウド入力機能に基づく特徴尺度を計算し,セグメントレベルで集計する。 これらの集約測度は、予測されたセグメントが偽陽性であるか否かを予測するためのメタ分類モデルと、結合上のセグメント毎の交差点を予測するメタ回帰モデルに使用される。 どちらのモデルも、基礎的真理を知らずに意味的セグメンテーション推論に適用できる。 実験では、異なるLiDARセグメンテーションモデルとデータセットを使用し、手法のパワーを分析する。 結果が他の標準アプローチよりも優れていることを示す。

関連論文リスト

• Exploring Beyond Logits: Hierarchical Dynamic Labeling Based on Embeddings for Semi-Supervised Classification [49.09505771145326]
  モデル予測に依存しない階層型動的ラベル付け(HDL)アルゴリズムを提案し,画像埋め込みを用いてサンプルラベルを生成する。 本手法は,半教師付き学習における擬似ラベル生成のパラダイムを変える可能性がある。
  論文  参考訳（メタデータ） (2024-04-26T06:00:27Z)
• Concurrent Misclassification and Out-of-Distribution Detection for Semantic Segmentation via Energy-Based Normalizing Flow [0.0]
  最近のセマンティックセグメンテーションモデルは、トレーニングデータセットの分布に類似したテスト時間例を正確に分類する。 本稿では,正規化フローフレームワークに依存するIDMとOOD検出を同時に行うための生成モデルを提案する。 FlowEneDetは、事前トレーニングされたDeepLabV3+およびSegFormerセマンティックセグメンテーションモデルに適用した場合、IDM/OOD検出におけるCityscapes、Cityscapes-C、FishyScapes、SegmentMeIfYouCanベンチマークの有望な結果を達成する。
  論文  参考訳（メタデータ） (2023-05-16T17:02:57Z)
• Pixel-wise Gradient Uncertainty for Convolutional Neural Networks applied to Out-of-Distribution Segmentation [0.43512163406552007]
  本稿では,推定時に効率よく計算できる画素単位の損失勾配から不確実点を求める手法を提案する。 本実験は,提案手法が誤った画素分類を識別し,無視可能な計算オーバーヘッドで予測品質を推定する能力を示す。
  論文  参考訳（メタデータ） (2023-03-13T08:37:59Z)
• Memory-Based Meta-Learning on Non-Stationary Distributions [29.443692147512742]
  メモリベースのメタラーニングはベイズ最適予測器を近似する手法である。 本稿では,Transformer,LSTM,RNNなどのメモリベースニューラルネットワークを用いて,ベイズ最適化アルゴリズムを正確に近似することができることを示す。
  論文  参考訳（メタデータ） (2023-02-06T19:08:59Z)
• Change-point Detection and Segmentation of Discrete Data using Bayesian Context Trees [7.090165638014331]
  最近導入されたBayesian Context Trees (BCT) フレームワークに基づいて構築され、離散時系列における異なるセグメントの分布を可変メモリマルコフ連鎖として記述する。 変化点の存在と位置の推測はマルコフ連鎖モンテカルロサンプリングによって行われる。 シミュレーションと実世界の両方のデータから,提案手法は最先端技術よりも優れた性能を示した。
  論文  参考訳（メタデータ） (2022-03-08T19:03:21Z)
• Leveraging Unlabeled Data to Predict Out-of-Distribution Performance [63.740181251997306]
  実世界の機械学習デプロイメントは、ソース(トレーニング)とターゲット(テスト)ディストリビューションのミスマッチによって特徴づけられる。 本研究では,ラベル付きソースデータとラベルなしターゲットデータのみを用いて,対象領域の精度を予測する手法を検討する。 本稿では,モデルの信頼度をしきい値として学習し,精度をラベルなし例のごく一部として予測する実践的手法である平均閾値保持信頼度(ATC)を提案する。
  論文  参考訳（メタデータ） (2022-01-11T23:01:12Z)
• Meta Learning Low Rank Covariance Factors for Energy-Based Deterministic Uncertainty [58.144520501201995]
  ニューラルネットワーク層のBi-Lipschitz正規化は、各レイヤの特徴空間におけるデータインスタンス間の相対距離を保存する。 注意セットエンコーダを用いて,タスク固有の共分散行列を効率的に構築するために,対角的,対角的,低ランクな要素のメタ学習を提案する。 また,最終的な予測分布を達成するために,スケールしたエネルギーを利用する推論手法を提案する。
  論文  参考訳（メタデータ） (2021-10-12T22:04:19Z)
• Scalable Marginal Likelihood Estimation for Model Selection in Deep Learning [78.83598532168256]
  階層型モデル選択は、推定困難のため、ディープラーニングではほとんど使われない。 本研究は,検証データが利用できない場合,限界的可能性によって一般化が向上し,有用であることを示す。
  論文  参考訳（メタデータ） (2021-04-11T09:50:24Z)
• GELATO: Geometrically Enriched Latent Model for Offline Reinforcement Learning [54.291331971813364]
  オフライン強化学習アプローチは、近近法と不確実性認識法に分けられる。 本研究では,この2つを潜在変動モデルに組み合わせることのメリットを実証する。 提案したメトリクスは、分布サンプルのアウトの品質と、データ内のサンプルの不一致の両方を測定します。
  論文  参考訳（メタデータ） (2021-02-22T19:42:40Z)
• MetaBox+: A new Region Based Active Learning Method for Semantic Segmentation using Priority Maps [4.396860522241306]
  本稿では,MetaBox+と呼ばれるセマンティックイメージセグメンテーションのための新しい能動的学習手法を提案する。 取得にはメタ回帰モデルをトレーニングし、予測された未ラベル画像の各セグメントのセグメントワイド・インターセクション(IoU)を推定する。 提案手法をエントロピーに基づく手法と比較し,エントロピーを予測の不確実性とみなす。
  論文  参考訳（メタデータ） (2020-10-05T09:36:47Z)
• Meta-Learned Confidence for Few-shot Learning [60.6086305523402]
  数ショットのメトリックベースのアプローチのための一般的なトランスダクティブ推論手法は、最も確実なクエリ例の平均で、各クラスのプロトタイプを更新することである。 本稿では,各クエリの信頼度をメタラーニングして,ラベルのないクエリに最適な重みを割り当てる手法を提案する。 4つのベンチマークデータセットに対してメタ学習の信頼度で、少数ショットの学習モデルを検証した。
  論文  参考訳（メタデータ） (2020-02-27T10:22:17Z)

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。