論文の概要: Uncertainty Aware Proposal Segmentation for Unknown Object Detection
- arxiv url: http://arxiv.org/abs/2111.12866v1
- Date: Thu, 25 Nov 2021 01:53:05 GMT
- ステータス: 処理完了
- システム内更新日: 2021-12-05 01:56:12.468299
- Title: Uncertainty Aware Proposal Segmentation for Unknown Object Detection
- Title（参考訳）: 未知物体検出のための不確実性認識提案セグメンテーション
- Authors: Yimeng Li, Jana Kosecka
- Abstract要約: 本稿では,セマンティックセグメンテーションモデルのさらなる予測と信頼性の定量化を提案する。
本研究では,地域提案ネットワーク(RPN)が生成するオブジェクト提案を用いて,セマンティックセグメンテーションの精度評価を行う。
拡張オブジェクトの提案は、未知のオブジェクトカテゴリと未知のオブジェクトカテゴリの分類器をトレーニングするために使用される。
- 参考スコア（独自算出の注目度）: 13.249453757295083
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Recent efforts in deploying Deep Neural Networks for object detection in real
world applications, such as autonomous driving, assume that all relevant object
classes have been observed during training. Quantifying the performance of
these models in settings when the test data is not represented in the training
set has mostly focused on pixel-level uncertainty estimation techniques of
models trained for semantic segmentation. This paper proposes to exploit
additional predictions of semantic segmentation models and quantifying its
confidences, followed by classification of object hypotheses as known vs.
unknown, out of distribution objects. We use object proposals generated by
Region Proposal Network (RPN) and adapt distance aware uncertainty estimation
of semantic segmentation using Radial Basis Functions Networks (RBFN) for class
agnostic object mask prediction. The augmented object proposals are then used
to train a classifier for known vs. unknown objects categories. Experimental
results demonstrate that the proposed method achieves parallel performance to
state of the art methods for unknown object detection and can also be used
effectively for reducing object detectors' false positive rate. Our method is
well suited for applications where prediction of non-object background
categories obtained by semantic segmentation is reliable.
- Abstract（参考訳）: 自動運転のような現実世界のアプリケーションでオブジェクト検出のためにディープニューラルネットワークをデプロイする最近の取り組みでは、トレーニング中に関連するすべてのオブジェクトクラスが観察されたと仮定している。
トレーニングセットにテストデータが表現されていない場合、これらのモデルのパフォーマンスを定量化することは、主に意味セグメンテーションのために訓練されたモデルのピクセルレベルの不確実性推定技術に焦点を当てている。
本稿では,意味的セグメンテーションモデルのさらなる予測を活用し,その信頼性を定量化し,続いて分布対象から未知の物体仮説を分類することを提案する。
我々は,領域提案ネットワーク (rpn) が生成するオブジェクトの提案を用いて,クラス非依存なオブジェクトマスク予測のためのラジアル基底関数ネットワーク (rbfn) を用いた意味セグメンテーションの距離認識の不確実性推定を行う。
拡張オブジェクトの提案は、未知のオブジェクトカテゴリと未知のオブジェクトカテゴリの分類器をトレーニングするために使用される。
実験の結果,提案手法は未知の物体検出のための art 手法の並列性能を実現し,物体検出者の偽陽性率の低減にも有効であることがわかった。
本手法は,意味セグメンテーションによって得られた非対象背景カテゴリの予測が信頼できるアプリケーションに適している。
関連論文リスト
- On the Inherent Robustness of One-Stage Object Detection against Out-of-Distribution Data [6.7236795813629]
画像データ中の未知物体を検出する新しい検出アルゴリズムを提案する。
モデルによって抽出された特徴に対する次元の呪いの影響を軽減するために、教師付き次元削減技術を利用する。
これは高解像度の特徴マップを用いて、教師なしの方法で潜在的に未知の物体を識別する。
論文 参考訳（メタデータ） (2024-11-07T10:15:25Z) - Weakly-supervised Contrastive Learning for Unsupervised Object Discovery [52.696041556640516]
ジェネリックな方法でオブジェクトを発見できるため、教師なしのオブジェクト発見は有望である。
画像から高レベルな意味的特徴を抽出する意味誘導型自己教師学習モデルを設計する。
オブジェクト領域のローカライズのための主成分分析(PCA)を導入する。
論文 参考訳（メタデータ） (2023-07-07T04:03:48Z) - 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) - Object Detection in Aerial Images with Uncertainty-Aware Graph Network [61.02591506040606]
本稿では,ノードとエッジがオブジェクトによって表現される構造化グラフを用いた,新しい不確実性を考慮したオブジェクト検出フレームワークを提案する。
我々は我々のモデルをオブジェクトDETection(UAGDet)のための不確実性対応グラフネットワークと呼ぶ。
論文 参考訳（メタデータ） (2022-08-23T07:29:03Z) - The Familiarity Hypothesis: Explaining the Behavior of Deep Open Set
Methods [86.39044549664189]
特徴ベクトルデータに対する異常検出アルゴリズムは異常を外れ値として識別するが、外れ値検出はディープラーニングではうまく機能しない。
本論文は, 新規性の有無ではなく, 慣れ親しんだ特徴の欠如を検知しているため, これらの手法が成功するというFamiliarity仮説を提案する。
本論文は,親しみやすさの検出が表現学習の必然的な結果であるかどうかを論じる。
論文 参考訳（メタデータ） (2022-03-04T18:32:58Z) - 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) - Uncertainty-Aware Model Adaptation for Unsupervised Cross-Domain Object
Detection [12.807987076435928]
この研究は、教師なしのクロスドメインオブジェクト検出問題に取り組む。
これは、事前訓練された物体検出器をラベルなしで新しいターゲットドメインに一般化することを目的としている。
論文 参考訳（メタデータ） (2021-08-28T09:37:18Z) - 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) - Class-agnostic Object Detection [16.97782147401037]
本稿では,オブジェクトのクラスに関係なくオブジェクトを検出することに焦点を当てた新しい問題として,クラスに依存しないオブジェクト検出を提案する。
具体的には、イメージ内のすべてのオブジェクトのバウンディングボックスを予測することであり、オブジェクトクラスではない。
本稿では,この領域における今後の研究を進めるために,クラス非依存検出器のベンチマークのためのトレーニングおよび評価プロトコルを提案する。
論文 参考訳（メタデータ） (2020-11-28T19:22:38Z) - Slender Object Detection: Diagnoses and Improvements [74.40792217534]
本稿では,超高アスペクト比,すなわちtextbfslender オブジェクトの特定タイプの検出について検討する。
古典的物体検出法では、細い物体に対してのみ評価される場合、COCO上の18.9%のmAPの劇的な低下が観察される。
論文 参考訳（メタデータ） (2020-11-17T09:39:42Z) - Probabilistic Deep Learning for Instance Segmentation [9.62543698736491]
提案手法は,提案不要なインスタンスセグメンテーションモデルにおけるモデル独立不確実性推定値を得るための汎用的な手法である。
本手法は,BBBC010 C. elegansデータセットを用いて評価し,競合性能を示す。
論文 参考訳（メタデータ） (2020-08-24T19:51:48Z)
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。