Fugu-MT 論文翻訳(概要): Neighborhood Spatial Aggregation MC Dropout for Efficient Uncertainty-aware Semantic Segmentation in Point Clouds

論文の概要: Neighborhood Spatial Aggregation MC Dropout for Efficient Uncertainty-aware Semantic Segmentation in Point Clouds

arxiv url: http://arxiv.org/abs/2201.07676v1
Date: Sun, 5 Dec 2021 02:22:32 GMT
ステータス: 処理完了
システム内更新日: 2023-03-05 12:12:40.795690
Title: Neighborhood Spatial Aggregation MC Dropout for Efficient Uncertainty-aware Semantic Segmentation in Point Clouds
Title（参考訳）: 点雲における高効率不確実性認識意味セグメンテーションのための近傍空間集約mcドロップアウト
Authors: Chao Qi and Jianqin Yin
Abstract要約: 不確実性を考慮した点雲のセマンティックセマンティックセグメンテーションには、予測的不確実性推定と不確実性誘導モデル最適化が含まれる。広く使われているMCドロップアウトは、複数の前方伝播を用いてサンプルの標準偏差を計算することによって分布を確立する。 MCドロップアウトの変種であるNSA-MCドロップアウトを組み込んだフレームワークが提案され、たった1つのフォワードパスで配布を確立する。
参考スコア（独自算出の注目度）: 8.98036662506975
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: Uncertainty-aware semantic segmentation of the point clouds includes the predictive uncertainty estimation and the uncertainty-guided model optimization. One key challenge in the task is the efficiency of point-wise predictive distribution establishment. The widely-used MC dropout establishes the distribution by computing the standard deviation of samples using multiple stochastic forward propagations, which is time-consuming for tasks based on point clouds containing massive points. Hence, a framework embedded with NSA-MC dropout, a variant of MC dropout, is proposed to establish distributions in just one forward pass. Specifically, the NSA-MC dropout samples the model many times through a space-dependent way, outputting point-wise distribution by aggregating stochastic inference results of neighbors. Based on this, aleatoric and predictive uncertainties acquire from the predictive distribution. The aleatoric uncertainty is integrated into the loss function to penalize noisy points, avoiding the over-fitting of the model to some degree. Besides, the predictive uncertainty quantifies the confidence degree of predictions. Experimental results show that our framework obtains better segmentation results of real-world point clouds and efficiently quantifies the credibility of results. Our NSA-MC dropout is several times faster than MC dropout, and the inference time does not establish a coupling relation with the sampling times. The code will be available if the paper is accepted.
Abstract（参考訳）: 点雲の不確実性を考慮したセマンティックセグメンテーションには,予測的不確実性推定と不確実性誘導モデル最適化が含まれる。このタスクにおける重要な課題の1つは、ポイントワイドな分布確立の効率である。広く使われているmcドロップアウトは、大量の点を含む点雲に基づくタスクの時間消費である複数の確率的前方伝播を用いてサンプルの標準偏差を計算することで、分布を確立する。したがって、NSA-MCドロップアウト(MCドロップアウトの変種)を組み込んだフレームワークが提案され、1つのフォワードパスで分布を確立することができる。具体的には、NSA-MCのドロップアウトが空間依存的な方法でモデルを何度もサンプリングし、隣人の確率的推論結果を集約することで点分布を出力する。この結果から, aleatoric および predict uncertainties は予測分布から得られる。不確かさを損失関数に統合してノイズ点をペナルティ化し、モデルのオーバーフィッティングをある程度回避する。さらに、予測の不確実性は予測の信頼度を定量化する。実験の結果,実世界の点雲のセグメンテーション結果が向上し,結果の信頼性を効率的に定量化できることがわかった。我々のNSA-MCドロップアウトは、MCドロップアウトの何倍も高速であり、推論時間はサンプリング時間との結合関係を確立しない。論文が受け入れられれば、コードは利用可能になる。

関連論文リスト

Favour: FAst Variance Operator for Uncertainty Rating [0.034530027457862]
機械学習予測を解釈するための重要なアプローチとしてベイズニューラルネットワーク(BNN)が登場した。後部分布からサンプリングすることで、データサイエンティストは推論の不確実性を推定することができる。以前の研究は、ネットワークを介して後部の第1モーメントと第2モーメントを伝播することを提案した。この方法はサンプリングよりも遅いため、伝播分散を近似する必要がある。私たちの貢献は、より原則化された分散伝播フレームワークです。
論文参考訳（メタデータ） (2023-11-21T22:53:20Z)
SMURF-THP: Score Matching-based UnceRtainty quantiFication for Transformer Hawkes Process [76.98721879039559]
SMURF-THPは,変圧器ホークス過程を学習し,予測の不確かさを定量化するスコアベース手法である。具体的には、SMURF-THPは、スコアマッチング目標に基づいて、イベントの到着時刻のスコア関数を学習する。我々は,イベントタイプ予測と到着時刻の不確実性定量化の両方において,広範な実験を行う。
論文参考訳（メタデータ） (2023-10-25T03:33:45Z)
Score Matching-based Pseudolikelihood Estimation of Neural Marked Spatio-Temporal Point Process with Uncertainty Quantification [59.81904428056924]
我々は、不確実な定量化を伴うmarkPsを学習するためのスコアMAtching推定器であるSMASHを紹介する。具体的には,スコアマッチングによるマークPsの擬似的類似度を推定することにより,正規化自由度を推定する。提案手法の優れた性能は、事象予測と不確実性定量化の両方において広範な実験によって実証される。
論文参考訳（メタデータ） (2023-10-25T02:37:51Z)
Distributional Shift-Aware Off-Policy Interval Estimation: A Unified Error Quantification Framework [8.572441599469597]
本研究では、無限水平マルコフ決定過程の文脈における高信頼オフ政治評価について検討する。目的は、未知の行動ポリシーから事前に収集されたオフラインデータのみを用いて、対象の政策値に対する信頼区間(CI)を確立することである。提案アルゴリズムは, 非線形関数近似設定においても, サンプル効率, 誤差ローバスト, 既知収束性を示す。
論文参考訳（メタデータ） (2023-09-23T06:35:44Z)
ZigZag: Universal Sampling-free Uncertainty Estimation Through Two-Step Inference [54.17205151960878]
汎用的でデプロイが容易なサンプリング不要のアプローチを導入します。我々は,最先端手法と同等の信頼性のある不確実性推定を,計算コストを著しく低減した形で生成する。
論文参考訳（メタデータ） (2022-11-21T13:23:09Z)
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)
Quantifying Uncertainty in Deep Spatiotemporal Forecasting [67.77102283276409]
本稿では,正規格子法とグラフ法という2種類の予測問題について述べる。我々はベイジアンおよび頻繁な視点からUQ法を解析し、統計的決定理論を通じて統一的な枠組みを提示する。実際の道路ネットワークのトラフィック、疫病、空気質予測タスクに関する広範な実験を通じて、異なるUQ手法の統計計算トレードオフを明らかにする。
論文参考訳（メタデータ） (2021-05-25T14:35:46Z)
Contextual Dropout: An Efficient Sample-Dependent Dropout Module [60.63525456640462]
ドロップアウトは、ディープニューラルネットワークのトレーニングプロセスを正規化するシンプルで効果的なモジュールとして実証されています。単純でスケーラブルなサンプル依存型ドロップアウトモジュールとして,効率的な構造設計によるコンテキスト型ドロップアウトを提案する。提案手法は,不確実性推定の精度と品質の両面において,ベースライン法よりも優れていた。
論文参考訳（メタデータ） (2021-03-06T19:30:32Z)
A Novel Regression Loss for Non-Parametric Uncertainty Optimization [7.766663822644739]
不確実性の定量化は、安全な機械学習を確立する最も有望なアプローチの1つである。これまでの最も一般的なアプローチの1つはモンテカルロドロップアウトで、計算量的に安価で、実際に簡単に適用できる。この問題に対処するため,第2モーメント損失(UCI)と呼ばれる新たな目標を提案する。
論文参考訳（メタデータ） (2021-01-07T19:12:06Z)
Single Shot MC Dropout Approximation [0.0]
本稿では,BDNN の利点を DNN よりも遅く抑える一発の MC ドロップアウト近似を提案する。提案手法は,完全に接続されたネットワークの各層に対して,MCドロップアウト信号の期待値とばらつきを解析的に近似する。単発MCドロップアウト近似は,予測分布の点推定と不確実性推定に類似していることを示す。
論文参考訳（メタデータ） (2020-07-07T09:17:17Z)

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。