論文の概要: Pixel-wise Energy-biased Abstention Learning for Anomaly Segmentation on Complex Urban Driving Scenes

• arxiv url: http://arxiv.org/abs/2111.12264v1
• Date: Wed, 24 Nov 2021 04:39:10 GMT
• ステータス: 処理完了
• システム内更新日: 2021-11-25 14:56:08.181875
• Title: Pixel-wise Energy-biased Abstention Learning for Anomaly Segmentation on Complex Urban Driving Scenes
• Title（参考訳）: 複雑な都市運転場面における異常セグメンテーションのための画素方向エネルギーバイアス回避学習
• Authors: Yu Tian and Yuyuan Liu and Guansong Pang and Fengbei Liu and Yuanhong Chen and Gustavo Carneiro
• Abstract要約: 我々は,PEBAL(Pixel-wise energy-biased abstention Learning)という,新たな異常セグメンテーション手法を提案する。 PEBALは、ESMとALの非自明な共同訓練に基づいており、ESMは異常画素に対して高エネルギーを出力するように訓練されている。 我々は、PEBALをSOTAに対して広範囲に評価し、4つのベンチマークで最高の性能を発揮することを示す。
• 参考スコア（独自算出の注目度）: 26.474395581531194
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: State-of-the-art (SOTA) anomaly segmentation approaches on complex urban driving scenes explore pixel-wise classification uncertainty learned from outlier exposure, or external reconstruction models. However, previous uncertainty approaches that directly associate high uncertainty to anomaly may sometimes lead to incorrect anomaly predictions, and external reconstruction models tend to be too inefficient for real-time self-driving embedded systems. In this paper, we propose a new anomaly segmentation method, named pixel-wise energy-biased abstention learning (PEBAL), that explores pixel-wise abstention learning (AL) with a model that learns an adaptive pixel-level anomaly class, and an energy-based model (EBM) that learns inlier pixel distribution. More specifically, PEBAL is based on a non-trivial joint training of EBM and AL, where EBM is trained to output high-energy for anomaly pixels (from outlier exposure) and AL is trained such that these high-energy pixels receive adaptive low penalty for being included to the anomaly class. We extensively evaluate PEBAL against the SOTA and show that it achieves the best performance across four benchmarks. Code is available at https://github.com/tianyu0207/PEBAL.
• Abstract（参考訳）: 複雑な都市運転シーンにおける最新技術(sota)異常セグメンテーションアプローチは、異常露光や外部再構成モデルから学んだ画素単位の分類の不確かさを探索する。 しかし、従来の不確かさと異常を直接関連付けるような不確実性のあるアプローチは、しばしば誤った異常予測を招きかねず、外部再構成モデルはリアルタイムの自律型組込みシステムでは効率が悪い傾向にある。 本稿では,適応的画素レベルの異常クラスを学習するモデルを用いて,画素単位のエネルギーバイアス型禁断学習(PEBAL)と呼ばれる新たな異常セグメンテーション法と,不整合画素分布を学習するエネルギーベースモデル(EBM)を提案する。 より具体的には、EPBALはESMとALの非自明な共同訓練に基づいており、EMMは異常画素の高エネルギー(外周露出から)を出力するよう訓練され、ALはこれらの高エネルギー画素が異常クラスに含まれることで適応的な低ペナルティを受けるように訓練される。 我々はPEBALをSOTAに対して広範囲に評価し、4つのベンチマークで最高の性能を発揮することを示す。 コードはhttps://github.com/tianyu0207/PEBALで入手できる。

関連論文リスト

• Effort: Efficient Orthogonal Modeling for Generalizable AI-Generated Image Detection [66.16595174895802]
  既存のAI生成画像(AIGI)検出手法は、しばしば限定的な一般化性能に悩まされる。 本稿では、AIGI検出において、これまで見過ごされてきた重要な非対称性現象を同定する。
  論文  参考訳（メタデータ） (2024-11-23T19:10:32Z)
• AssemAI: Interpretable Image-Based Anomaly Detection for Manufacturing Pipelines [0.0]
  製造パイプラインにおける異常検出は、産業環境の複雑さと変動性によって強化され、依然として重要な課題である。 本稿では,スマート製造パイプラインに適した解釈可能な画像ベース異常検出システムAssemAIを紹介する。
  論文  参考訳（メタデータ） (2024-08-05T01:50:09Z)
• Improving Accuracy-robustness Trade-off via Pixel Reweighted Adversarial Training [61.61368146268329]
  また,Pixel-reweighted AdveRsarial Training (PART)を提案する。 CIFAR-10、SVHN、TinyImagenet-200の堅牢性を損なうことなく、精度の顕著な向上を実現している。
  論文  参考訳（メタデータ） (2024-06-02T09:43:34Z)
• Diffusion-Based Particle-DETR for BEV Perception [94.88305708174796]
  Bird-Eye-View (BEV)は、自律走行車(AV)における視覚知覚のための最も広く使われているシーンの1つである。 近年の拡散法は、視覚知覚のための不確実性モデリングに有望なアプローチを提供するが、BEVの広い範囲において、小さな物体を効果的に検出することができない。 本稿では,BEVにおける拡散パラダイムと最先端の3Dオブジェクト検出器を組み合わせることで,この問題に対処する。
  論文  参考訳（メタデータ） (2023-12-18T09:52:14Z)
• Video Anomaly Detection via Spatio-Temporal Pseudo-Anomaly Generation : A Unified Approach [49.995833831087175]
  本研究は,画像のマスキング領域にペンキを塗布することにより,汎用的な映像時間PAを生成する手法を提案する。 さらに,OCC設定下での現実世界の異常を検出するための単純な統合フレームワークを提案する。 提案手法は,OCC設定下での既存のPAs生成および再構築手法と同等に動作する。
  論文  参考訳（メタデータ） (2023-11-27T13:14:06Z)
• Pixel-Inconsistency Modeling for Image Manipulation Localization [59.968362815126326]
  デジタル画像法医学は、画像認証と操作のローカライゼーションにおいて重要な役割を果たす。 本稿では,画素不整合アーチファクトの解析を通じて,一般化されたロバストな操作ローカライゼーションモデルを提案する。 実験により,本手法は固有の画素不整合偽指紋を抽出することに成功した。
  論文  参考訳（メタデータ） (2023-09-30T02:54:51Z)
• Latent Space Energy-based Model for Fine-grained Open Set Recognition [46.0388856095674]
  微細なオープンセット認識(FineOSR)は、未知のクラスのイメージを拒絶しながら、微妙な外観の違いを持つクラスに属する画像を認識することを目的としている。 生成モデルの一種として、エネルギーベースモデル(EBM)は、生成的タスクと識別的タスクのハイブリッドモデリングのポテンシャルである。 本稿では,OSRの精密な視覚空間におけるエネルギーに基づく事前分布を用いた低次元潜伏空間について検討する。
  論文  参考訳（メタデータ） (2023-09-19T16:00:09Z)
• ISSTAD: Incremental Self-Supervised Learning Based on Transformer for Anomaly Detection and Localization [12.975540251326683]
  本稿では,Transformerのバックボーンネットワークに基づく新しいアプローチを提案する。 通常の画像のみに基づいてMasked Autoencoder(MAE)モデルを訓練する。 その後の段階では、劣化した正規画像を生成するためにピクセルレベルのデータ拡張技術を適用する。 このプロセスにより、モデルは破損した領域の修復方法を学び、各ピクセルの状態を分類できる。
  論文  参考訳（メタデータ） (2023-03-30T13:11:26Z)
• Anomaly Segmentation for High-Resolution Remote Sensing Images Based on Pixel Descriptors [4.802384658974538]
  高空間分解能(HSR)リモートセンシング画像における異常セグメンテーションは、通常のパターンから逸脱した地球の異常パターンのセグメンテーションを目的としている。 これらの問題に対処するために、HSR画像の異常分割に対して、画素記述子(ASD)に基づく異常分割モデルを提案する。 提案したASDモデルは、4つのHSRデータセットを用いて検証し、最近の最先端モデルと比較した。
  論文  参考訳（メタデータ） (2023-01-31T05:32:34Z)
• Half-sibling regression meets exoplanet imaging: PSF modeling and subtraction using a flexible, domain knowledge-driven, causal framework [7.025418443146435]
  既存の後処理アルゴリズムは、問題に関して利用可能なすべての事前のドメイン知識を使用しない。 本稿では,データ生成過程の系統的ノイズと因果構造に対する理解に基づく新しい手法を提案する。 提案アルゴリズムは,PCAをベースとしたPSFサブトラクションよりも偽陽性率が高い。
  論文  参考訳（メタデータ） (2022-04-07T13:34:30Z)

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。