論文の概要: What's in the Black Box? The False Negative Mechanisms Inside Object Detectors

• arxiv url: http://arxiv.org/abs/2203.07662v1
• Date: Tue, 15 Mar 2022 05:51:40 GMT
• ステータス: 処理完了
• システム内更新日: 2022-03-16 12:42:30.381594
• Title: What's in the Black Box? The False Negative Mechanisms Inside Object Detectors
• Title（参考訳）: ブラックボックスに何が入ってるの? 物体検出器内部の偽陰性機構
• Authors: Dimity Miller, Peyman Moghadam, Mark Cox, Matt Wildie, Raja Jurdak
• Abstract要約: 物体検出では、検出器が対象物を検出するのに失敗したときに偽陰性が発生する。 我々は5つの「偽陰性機構」を同定し、各機構が検出器アーキテクチャ内の特定のコンポーネントがどのように故障したかを記述した。 コンピュータビジョンベンチマークのデータセットとロボティクスの展開シナリオとでは,検出器の偽陰性メカニズムが著しく異なることを示す。
• 参考スコア（独自算出の注目度）: 10.3813655591799
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: In object detection, false negatives arise when a detector fails to detect a target object. To understand why object detectors produce false negatives, we identify five 'false negative mechanisms', where each mechanism describes how a specific component inside the detector architecture failed. Focusing on two-stage and one-stage anchor-box object detector architectures, we introduce a framework for quantifying these false negative mechanisms. Using this framework, we investigate why Faster R-CNN and RetinaNet fail to detect objects in benchmark vision datasets and robotics datasets. We show that a detector's false negative mechanisms differ significantly between computer vision benchmark datasets and robotics deployment scenarios. This has implications for the translation of object detectors developed for benchmark datasets to robotics applications.
• Abstract（参考訳）: 物体検出では、検出器が対象物体を検知できなかったときに偽陰性が発生する。 物体検出器が偽陰性を引き起こす理由を理解するため、我々は5つの「偽陰性メカニズム」を特定し、それぞれのメカニズムが検出器アーキテクチャ内の特定のコンポーネントがどのように失敗したかを記述した。 2段階および1段階のアンカーボックスオブジェクト検出器アーキテクチャに着目し,これらの偽陰性メカニズムを定量化する枠組みを提案する。 このフレームワークを用いて,高速なR-CNNとRetinaNetが,ベンチマークビジョンデータセットやロボティクスデータセットのオブジェクトの検出に失敗した理由を考察する。 コンピュータビジョンベンチマークのデータセットとロボティクスの展開シナリオとでは,検出器の偽陰性メカニズムが著しく異なることを示す。 これは、ベンチマークデータセット用に開発されたオブジェクト検出器をロボティクスアプリケーションへ変換する意味を持つ。

関連論文リスト

• Uncertainty Estimation for 3D Object Detection via Evidential Learning [63.61283174146648]
  本稿では,3次元検出器における鳥の視線表示における明らかな学習損失を利用して,3次元物体検出の不確かさを定量化するためのフレームワークを提案する。 本研究では,これらの不確実性評価の有効性と重要性を,分布外シーンの特定,局所化の不十分な物体の発見,および(偽陰性)検出の欠如について示す。
  論文  参考訳（メタデータ） (2024-10-31T13:13:32Z)
• Detector Collapse: Physical-World Backdooring Object Detection to Catastrophic Overload or Blindness in Autonomous Driving [17.637155085620634]
  ディテクター・コラプス(英: Detector Collapse、DC)は、オブジェクト検出用に設計された、新しいバックドア攻撃パラダイムである。 DCは、検出器を瞬時に無力化するように設計されている(つまり、検出器の性能が著しく損なわれ、サービス停止で終了する)。 我々は,自然物を利用した新たな中毒対策を導入し,実環境における実践的なバックドアとして機能することを可能にした。
  論文  参考訳（メタデータ） (2024-04-17T13:12:14Z)
• Context-Aware Transfer Attacks for Object Detection [51.65308857232767]
  本稿では,オブジェクト検出のためのコンテキスト認識攻撃を新たに生成する手法を提案する。 オブジェクトとその相対的な位置と大きさの共起をコンテキスト情報として利用することにより、ターゲットの誤分類攻撃をうまく生成できることを示す。
  論文  参考訳（メタデータ） (2021-12-06T18:26:39Z)
• Robust Object Detection via Instance-Level Temporal Cycle Confusion [89.1027433760578]
  物体検出器の分布外一般化を改善するための補助的自己監視タスクの有効性を検討する。 最大エントロピーの原理に触発されて,新しい自己監督タスクであるインスタンスレベル時間サイクル混乱(cycconf)を導入する。 それぞれのオブジェクトに対して、タスクは、ビデオ内の隣接するフレームで最も異なるオブジェクトの提案を見つけ、自己スーパービジョンのために自分自身にサイクルバックすることです。
  論文  参考訳（メタデータ） (2021-04-16T21:35:08Z)
• Self-supervised object detection from audio-visual correspondence [101.46794879729453]
  我々は、監視なしで物体検出器を学習する問題に取り組む。 画像レベルのクラスラベルは想定せず、代わりにオーディオビジュアルデータから監視信号を抽出します。 本研究では,航空機やネコなどの機器以外のジェネリック物体の検出を学習できることを示した。
  論文  参考訳（メタデータ） (2021-04-13T17:59:03Z)
• 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)
• Online Monitoring of Object Detection Performance During Deployment [6.166295570030645]
  入力フレームのスライディングウィンドウ上での平均平均精度(mAP)を予測し,対象検出器の性能を監視するカスケードニューラルネットワークを提案する。 我々は、自律走行データセットと物体検出装置の異なる組み合わせを用いて、提案手法の評価を行った。
  論文  参考訳（メタデータ） (2020-11-16T07:01:43Z)
• False Detection (Positives and Negatives) in Object Detection [1.0965065178451106]
  本研究では,ラベル付きデータによる偽陽性と負の低減方法を検討する。 このプロセスでは、Openimage 2019 Object Detectionデータセットに不十分なラベル付けも発見された。
  論文  参考訳（メタデータ） (2020-08-16T20:09:05Z)
• Black-box Explanation of Object Detectors via Saliency Maps [66.745167677293]
  対象検出器の予測のための視覚的説明を生成するD-RISEを提案する。 本稿では, YOLOv3などの1段検出器やFaster-RCNNのような2段検出器など, 異なる対象検出器に容易にD-RISEを適用可能であることを示す。
  論文  参考訳（メタデータ） (2020-06-05T02:13:35Z)
• Synthesizing Unrestricted False Positive Adversarial Objects Using Generative Models [0.0]
  逆の例は、ニューラルネットワークによって誤って分類されたデータポイントである。 最近の研究は、制限のない敵の例の概念を導入した。 対象検出の非制限逆例を生成する新たな攻撃カテゴリを提案する。
  論文  参考訳（メタデータ） (2020-05-19T08:58:58Z)
• Detective: An Attentive Recurrent Model for Sparse Object Detection [25.5804429439316]
  ディテクティヴ(英: Detective)は、画像中の物体を連続的に識別する注意オブジェクト検出器である。 Detectiveはスパースオブジェクト検出器で、オブジェクトインスタンス毎に単一のバウンディングボックスを生成する。 ハンガリーのアルゴリズムに基づく学習機構と,局所化と分類タスクのバランスをとる損失を提案する。
  論文  参考訳（メタデータ） (2020-04-25T17:41:52Z)

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。