論文の概要: Object Detection as Probabilistic Set Prediction

• arxiv url: http://arxiv.org/abs/2203.07980v2
• Date: Wed, 16 Mar 2022 15:54:13 GMT
• ステータス: 処理完了
• システム内更新日: 2022-03-17 11:32:24.542450
• Title: Object Detection as Probabilistic Set Prediction
• Title（参考訳）: 確率的集合予測としての物体検出
• Authors: Georg Hess, Christoffer Petersson, Lennart Svensson
• Abstract要約: 本稿では,確率的物体検出器の評価と訓練を行うための適切なスコアリングルールを提案する。 以上の結果から,既存の検出器のトレーニングは非確率的指標に最適化されていることが示唆された。
• 参考スコア（独自算出の注目度）: 3.7599363231894176
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Accurate uncertainty estimates are essential for deploying deep object detectors in safety-critical systems. The development and evaluation of probabilistic object detectors have been hindered by shortcomings in existing performance measures, which tend to involve arbitrary thresholds or limit the detector's choice of distributions. In this work, we propose to view object detection as a set prediction task where detectors predict the distribution over the set of objects. Using the negative log-likelihood for random finite sets, we present a proper scoring rule for evaluating and training probabilistic object detectors. The proposed method can be applied to existing probabilistic detectors, is free from thresholds, and enables fair comparison between architectures. Three different types of detectors are evaluated on the COCO dataset. Our results indicate that the training of existing detectors is optimized toward non-probabilistic metrics. We hope to encourage the development of new object detectors that can accurately estimate their own uncertainty. Code will be released.
• Abstract（参考訳）: 正確な不確実性推定は、安全クリティカルなシステムに深層物体検出器を配備するには不可欠である。 確率的物体検出器の開発と評価は、任意のしきい値や検出器の分布選択を制限する傾向がある既存の性能指標の欠点によって妨げられている。 本研究では,オブジェクト検出を,オブジェクトの集合上の分布を予測するセット予測タスクとみなす。 ランダムな有限集合に対する負のlog-likelihoodを用いて,確率的物体検出器の評価と訓練のための適切なスコアリングルールを提案する。 提案手法は,既存の確率的検出器に適用でき,しきい値がなく,アーキテクチャ間を公平に比較できる。 COCOデータセットでは3種類の検出器が評価されている。 その結果,既存の検出器のトレーニングは非確率的指標に最適化されていることがわかった。 我々は、自分たちの不確実性を正確に推定できる新しい物体検出器の開発を奨励したい。 コードはリリースされる。

関連論文リスト

• Uncertainty-Aware AB3DMOT by Variational 3D Object Detection [74.8441634948334]
  不確実性推定は統計的に正確な予測を提供する効果的なツールである。 本稿では,変分ニューラルネットワークを用いたTANet 3Dオブジェクト検出器を提案し,不確実性のある3Dオブジェクト検出を行う。
  論文  参考訳（メタデータ） (2023-02-12T14:30:03Z)
• A Review of Uncertainty Calibration in Pretrained Object Detectors [5.440028715314566]
  多クラス設定における事前訓練対象検出アーキテクチャの不確実性校正特性について検討する。 公平でバイアスのない,繰り返し可能な評価を実現するためのフレームワークを提案する。 検出器のキャリブレーションが低い理由について、新しい知見を提供する。
  論文  参考訳（メタデータ） (2022-10-06T14:06:36Z)
• GLENet: Boosting 3D Object Detectors with Generative Label Uncertainty Estimation [70.75100533512021]
  本稿では,対象物の潜在的可算有界箱の多様性として,ラベルの不確実性問題を定式化する。 本稿では,条件付き変分オートエンコーダを応用した生成フレームワークであるGLENetを提案する。 GLENetが生成するラベルの不確実性はプラグアンドプレイモジュールであり、既存のディープ3D検出器に便利に統合することができる。
  論文  参考訳（メタデータ） (2022-07-06T06:26:17Z)
• Trajectory Forecasting from Detection with Uncertainty-Aware Motion Encoding [121.66374635092097]
  物体検出と追跡から得られる軌道は、必然的にうるさい。 本稿では, 明示的に形成された軌道に依存することなく, 直接検出結果に基づく軌道予測器を提案する。
  論文  参考訳（メタデータ） (2022-02-03T09:09:56Z)
• CertainNet: Sampling-free Uncertainty Estimation for Object Detection [65.28989536741658]
  ニューラルネットワークの不確実性を推定することは、安全クリティカルな設定において基本的な役割を果たす。 本研究では,オブジェクト検出のための新しいサンプリング不要不確実性推定法を提案する。 私たちはそれをCertainNetと呼び、各出力信号に対して、オブジェクト性、クラス、位置、サイズという、別の不確実性を提供するのは、これが初めてです。
  論文  参考訳（メタデータ） (2021-10-04T17:59:31Z)
• 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)
• Estimating and Evaluating Regression Predictive Uncertainty in Deep Object Detectors [9.273998041238224]
  負の対数確率(nll)を持つトレーニング分散ネットワークは、高いエントロピー予測分布をもたらす可能性がある。 我々は,エネルギースコアを非局所的適切なスコアリングルールとして使用し,トレーニングに使用すると,エネルギースコアがより校正され,エントロピーの予測分布が低くなることを示す。
  論文  参考訳（メタデータ） (2021-01-13T12:53:54Z)
• Labels Are Not Perfect: Inferring Spatial Uncertainty in Object Detection [26.008419879970365]
  本研究では,生成モデルに基づいて,lidar point cloudのバウンディングボックスラベルの不確かさを推定する。 包括的実験により,提案モデルはライダー知覚とラベル品質の複雑な環境雑音を反映していることがわかった。 ラベルの不確実性を組み込んだ新しい評価指標としてJaccard IoUを提案する。
  論文  参考訳（メタデータ） (2020-12-18T09:11:44Z)
• Learning to Separate Clusters of Adversarial Representations for Robust Adversarial Detection [50.03939695025513]
  本稿では,最近導入された非破壊的特徴を動機とした新しい確率的対向検出器を提案する。 本稿では,非ロバスト特徴を逆例の共通性と考え,その性質に対応する表現空間におけるクラスターの探索が可能であることを推定する。 このアイデアは、別のクラスタ内の逆表現の確率推定分布を導出し、その分布を確率に基づく逆検出器として活用する。
  論文  参考訳（メタデータ） (2020-12-07T07:21:18Z)
• A Review and Comparative Study on Probabilistic Object Detection in Autonomous Driving [14.034548457000884]
  物体検出の不確実性の捕捉は、安全な自律運転には不可欠である。 深部物体検出における不確実性推定の要約はない。 本稿では,既存の確率的物体検出手法のレビューと比較検討を行う。
  論文  参考訳（メタデータ） (2020-11-20T22:30:36Z)
• Inferring Spatial Uncertainty in Object Detection [35.28872968233385]
  本稿では,LiDAR点雲から境界ボックスラベルの不確かさを推定する生成モデルを提案する。 総合実験により,提案モデルが運転シナリオでよく見られる不確実性を表すことを示す。 ラベルの不確実性を考慮した新しい評価指標として,Jaccard IoU(JIoU)と呼ばれるIoUの拡張を提案する。
  論文  参考訳（メタデータ） (2020-03-07T19:29:43Z)

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。