論文の概要: Unaligned but Safe -- Formally Compensating Performance Limitations for Imprecise 2D Object Detection

• arxiv url: http://arxiv.org/abs/2202.05123v1
• Date: Thu, 10 Feb 2022 16:17:30 GMT
• ステータス: 処理完了
• システム内更新日: 2022-02-11 15:18:31.656928
• Title: Unaligned but Safe -- Formally Compensating Performance Limitations for Imprecise 2D Object Detection
• Title（参考訳）: 不整合だが安全-不整合2次元物体検出のための形式的補償性能限界
• Authors: Tobias Schuster, Emmanouil Seferis, Simon Burton, Chih-Hong Cheng
• Abstract要約: 機械学習に基づく2次元物体検出における不完全性とその安全性への影響を考察する。 我々は、基底真理をカバーするために必要最小限の有界箱拡大係数を正式に証明する。 次に,運動プランナが決定に一定の長さのバッファを取れば,その因子をより小さい値に数学的に調整できることを実証する。
• 参考スコア（独自算出の注目度）: 0.34410212782758043
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: In this paper, we consider the imperfection within machine learning-based 2D object detection and its impact on safety. We address a special sub-type of performance limitations: the prediction bounding box cannot be perfectly aligned with the ground truth, but the computed Intersection-over-Union metric is always larger than a given threshold. Under such type of performance limitation, we formally prove the minimum required bounding box enlargement factor to cover the ground truth. We then demonstrate that the factor can be mathematically adjusted to a smaller value, provided that the motion planner takes a fixed-length buffer in making its decisions. Finally, observing the difference between an empirically measured enlargement factor and our formally derived worst-case enlargement factor offers an interesting connection between the quantitative evidence (demonstrated by statistics) and the qualitative evidence (demonstrated by worst-case analysis).
• Abstract（参考訳）: 本稿では,機械学習による2次元物体検出における欠陥とその安全性への影響について考察する。 予測境界ボックスは、基底的真理と完全に一致しないが、計算されたインターセクション・オーバー・ユニオン計量は、常に与えられたしきい値よりも大きい。 このような性能制限の下では、基礎的真理をカバーするのに必要な最小境界ボックス拡大係数を正式に証明する。 次に,運動プランナーが決定を行う際に固定長バッファを取ることで,係数をより小さな値に数学的に調整できることを示す。 最後に,実験的に測定した拡大係数と公式に導出された最悪の拡大係数の差を観察することで,定量的な証拠(統計による実証)と定性的な証拠(最悪のケース分析による実証)との間に興味深い関連性が得られた。

関連論文リスト

• Adaptive Bounding Box Uncertainties via Two-Step Conformal Prediction [44.83236260638115]
  我々は共形予測を利用してオブジェクト境界ボックスのカバレッジを保証した不確実区間を求める。 これを行う上での課題のひとつは、オブジェクトのクラスラベルにバウンディングボックスの予測が条件付けられていることだ。 本研究では,予測されたクラスラベルの不確かさを,境界ボックスの不確かさ間隔に伝播させる新しい2段階コンフォメーション手法を開発する。
  論文  参考訳（メタデータ） (2024-03-12T02:45:24Z)
• Disentangled Representation Learning with Transmitted Information Bottleneck [57.22757813140418]
  textbfDisTIB (textbfTransmitted textbfInformation textbfBottleneck for textbfDisd representation learning) は情報圧縮と保存のバランスを保った新しい目的である。
  論文  参考訳（メタデータ） (2023-11-03T03:18:40Z)
• Predicting Emergent Abilities with Infinite Resolution Evaluation [85.89911520190711]
  本稿では,デコードフェーズにおける大規模なサンプリングを通じて,理論的に無限の分解能を持つ評価戦略であるPassUntilを紹介する。 トレーニング開始前に0.05%の偏差でコード生成における2.4Bモデルの性能を予測する。 スケーリング曲線が標準スケーリング法則関数に適合できないような,高速化された出現の種を同定する。
  論文  参考訳（メタデータ） (2023-10-05T02:35:00Z)
• Expressive Losses for Verified Robustness via Convex Combinations [67.54357965665676]
  本研究では, 過近似係数と異なる表現的損失に対する性能分布の関係について検討した。 表現性が不可欠である一方で、最悪の場合の損失のより良い近似は、必ずしも優れた堅牢性-正確性トレードオフに結びついていないことを示す。
  論文  参考訳（メタデータ） (2023-05-23T12:20:29Z)
• Monotonicity and Double Descent in Uncertainty Estimation with Gaussian Processes [52.92110730286403]
  限界確率はクロスバリデーションの指標を思い起こさせるべきであり、どちらもより大きな入力次元で劣化すべきである、と一般的に信じられている。 我々は,ハイパーパラメータをチューニングすることにより,入力次元と単調に改善できることを証明した。 また、クロスバリデーションの指標は、二重降下の特徴である質的に異なる挙動を示すことも証明した。
  論文  参考訳（メタデータ） (2022-10-14T08:09:33Z)
• Distributionally robust risk evaluation with a causality constraint and structural information [0.0]
  ニューラルネットワークによるテスト関数を近似し、Rademacherの複雑さによるサンプルの複雑さを証明する。 我々のフレームワークは、分散的にロバストなポートフォリオ選択問題において、従来のものよりも優れています。
  論文  参考訳（メタデータ） (2022-03-20T14:48:37Z)
• Taming Adversarial Robustness via Abstaining [7.1975923901054575]
  我々は,観測を逆境によって摂動させることができる二元分類問題を考える。 我々は、予測に対する信頼度が低い場合に、分類器が決定を棄却する断定オプションを含む。 本研究では, 減衰領域の選択方法に関係なく, 両指標のトレードオフが存在することを示した。
  論文  参考訳（メタデータ） (2021-04-06T07:36:48Z)
• Causal Expectation-Maximisation [70.45873402967297]
  ポリツリーグラフを特徴とするモデルにおいても因果推論はNPハードであることを示す。 我々は因果EMアルゴリズムを導入し、分類的表現変数のデータから潜伏変数の不確かさを再構築する。 我々は、反事実境界が構造方程式の知識なしにしばしば計算できるというトレンドのアイデアには、目立たずの制限があるように思える。
  論文  参考訳（メタデータ） (2020-11-04T10:25:13Z)
• Rethink Maximum Mean Discrepancy for Domain Adaptation [77.2560592127872]
  本論文は,(1)最大平均距離の最小化は,それぞれソースとクラス内距離の最大化に等しいが,その差を暗黙の重みと共同で最小化し,特徴判別性は低下する,という2つの本質的な事実を理論的に証明する。 いくつかのベンチマークデータセットの実験は、理論的な結果の有効性を証明しただけでなく、我々のアプローチが比較した最先端手法よりも大幅に向上できることを実証した。
  論文  参考訳（メタデータ） (2020-07-01T18:25:10Z)
• Towards Better Performance and More Explainable Uncertainty for 3D Object Detection of Autonomous Vehicles [33.0319422469465]
  そこで本研究では,LiDARに基づく3次元物体検出の性能を向上させるために,ロス関数の新たな形式を提案する。 新たな損失関数により,KITTIデータセットのval分割における手法の性能は平均精度で15%向上した。
  論文  参考訳（メタデータ） (2020-06-22T05:49:58Z)

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。