論文の概要: Optimal Correction Cost for Object Detection Evaluation
- arxiv url: http://arxiv.org/abs/2203.14438v1
- Date: Mon, 28 Mar 2022 01:26:09 GMT
- ステータス: 処理完了
- システム内更新日: 2022-03-29 15:36:46.663440
- Title: Optimal Correction Cost for Object Detection Evaluation
- Title(参考訳): 物体検出評価のための最適補正コスト
- Authors: Mayu Otani, Riku Togashi, Yuta Nakashima, Esa Rahtu, Janne Heikkil\"a,
Shin'ichi Satoh
- Abstract要約: 画像レベルの検出精度を評価するための最適補正コスト(OCコスト)を提案する。
OCコストは、精度の尺度として真実を根拠として検出を補正するコストを計算する。
私たちのゴールは、mAPをOCコストで置き換えるのではなく、別の側面から検出器を評価するための追加ツールを提供することです。
- 参考スコア(独自算出の注目度): 39.72860357224619
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Mean Average Precision (mAP) is the primary evaluation measure for object
detection. Although object detection has a broad range of applications, mAP
evaluates detectors in terms of the performance of ranked instance retrieval.
Such the assumption for the evaluation task does not suit some downstream
tasks. To alleviate the gap between downstream tasks and the evaluation
scenario, we propose Optimal Correction Cost (OC-cost), which assesses
detection accuracy at image level. OC-cost computes the cost of correcting
detections to ground truths as a measure of accuracy. The cost is obtained by
solving an optimal transportation problem between the detections and the ground
truths. Unlike mAP, OC-cost is designed to penalize false positive and false
negative detections properly, and every image in a dataset is treated equally.
Our experimental result validates that OC-cost has better agreement with human
preference than a ranking-based measure, i.e., mAP for a single image. We also
show that detectors' rankings by OC-cost are more consistent on different data
splits than mAP. Our goal is not to replace mAP with OC-cost but provide an
additional tool to evaluate detectors from another aspect. To help future
researchers and developers choose a target measure, we provide a series of
experiments to clarify how mAP and OC-cost differ.
- Abstract(参考訳): 平均精度 (mAP) は物体検出の主評価指標である。
オブジェクト検出には幅広い応用があるが、mapはランク付けされたインスタンス検索の性能の観点から検出器を評価する。
このような評価タスクの仮定は下流タスクには適さない。
下流課題と評価シナリオとのギャップを緩和するため,画像レベルでの検出精度を評価する最適補正コスト(oc-cost)を提案する。
OCコストは、精度の尺度として真実を根拠として検出を補正するコストを計算する。
このコストは、検出と基底真理の間の最適な輸送問題を解決することで得られる。
mAPとは異なり、OCコストは偽陽性と偽陰性検出を適切にペナルティ化するように設計されており、データセット内のすべてのイメージは等しく扱われる。
実験の結果, ocコストは, 評価基準,すなわち1つの画像の地図よりも, 人間の好みに合致することがわかった。
また,ocコストによる検出者のランキングは,マップと異なるデータ分割により一貫性があることを示す。
我々の目標は、mAPをOCコストで置き換えるのではなく、別の側面から検出器を評価するための追加ツールを提供することです。
将来の研究者や開発者が対象尺度を選択するのを助けるために,mAPとOCコストの違いを明らかにする一連の実験を行った。
関連論文リスト
- Cost-Aware Query Policies in Active Learning for Efficient Autonomous Robotic Exploration [0.0]
本稿では,動作コストを考慮しつつ,ガウス過程回帰のためのALアルゴリズムを解析する。
距離制約を持つ伝統的な不確実性計量は、軌道距離上のルート平均二乗誤差を最小化する。
論文 参考訳(メタデータ) (2024-10-31T18:35:03Z) - Predictive Accuracy-Based Active Learning for Medical Image Segmentation [5.25147264940975]
医用画像セグメンテーションのための効果的な予測精度に基づく能動学習法を提案する。
PAALは、精度予測器(AP)と軽量ポーリング戦略(WPS)から構成される。
複数のデータセットに対する実験結果は、PAALの優位性を示している。
論文 参考訳(メタデータ) (2024-05-01T11:12:08Z) - Leveraging unsupervised data and domain adaptation for deep regression
in low-cost sensor calibration [2.5845893156827158]
大気質モニタリングは, 大気質に対する意識を高めるための重要な課題となっている。
低コストの空気質センサーは容易に展開できるが、高価で大きめの基準モニターほど信頼性は低い。
本稿では,センサキャリブレーションのタスクを半教師付き領域適応問題に変換する。
論文 参考訳(メタデータ) (2022-10-02T13:47:45Z) - Revisiting AP Loss for Dense Object Detection: Adaptive Ranking Pair
Selection [19.940491797959407]
本研究では, 平均精度 (AP) の損失を再考し, その重要な要素は, 正試料と負試料のランキングペアを選択することであることを明らかにした。
本稿では,AP損失を改善するための2つの方法を提案する。第1に,APE(Adaptive Pairwise Error)損失は,正と負の両方のサンプルにおいて,ペアのランク付けに重点を置いている。
MSCOCOデータセットで行った実験は、現在の分類とランキングの損失と比較して、提案手法の優位性を実証し、分析を支援した。
論文 参考訳(メタデータ) (2022-07-25T10:33:06Z) - Leveraging Unlabeled Data to Predict Out-of-Distribution Performance [63.740181251997306]
実世界の機械学習デプロイメントは、ソース(トレーニング)とターゲット(テスト)ディストリビューションのミスマッチによって特徴づけられる。
本研究では,ラベル付きソースデータとラベルなしターゲットデータのみを用いて,対象領域の精度を予測する手法を検討する。
本稿では,モデルの信頼度をしきい値として学習し,精度をラベルなし例のごく一部として予測する実践的手法である平均閾値保持信頼度(ATC)を提案する。
論文 参考訳(メタデータ) (2022-01-11T23:01:12Z) - Assessment of Treatment Effect Estimators for Heavy-Tailed Data [70.72363097550483]
ランダム化制御試験(RCT)における治療効果の客観的評価における中心的な障害は、その性能をテストするための基礎的真理(または検証セット)の欠如である。
この課題に対処するための新しいクロスバリデーションのような方法論を提供する。
本手法は,Amazonサプライチェーンに実装された709RCTに対して評価を行った。
論文 参考訳(メタデータ) (2021-12-14T17:53:01Z) - Robust and Accurate Object Detection via Adversarial Learning [111.36192453882195]
この研究は、逆の例を探索することで、物体検出器の微調整段階を補強する。
提案手法は,オブジェクト検出ベンチマークにおいて,最先端のEfficientDetsの性能を+1.1mAP向上させる。
論文 参考訳(メタデータ) (2021-03-23T19:45:26Z) - Evaluating Large-Vocabulary Object Detectors: The Devil is in the
Details [107.2722027807328]
我々は、APのデフォルト実装はカテゴリー独立ではなく、適切に校正された検出器を直接報酬するものではないことを発見した。
既定の実装ではゲーム可能なメトリックが生成され、単純で非合理的な再ランクポリシーがAPを大きなマージンで改善できることが示される。
我々は,近年の大規模語彙検出の進歩をベンチマークし,新たなクラスごとの独立性評価において,多くの報告された利益が改善に結びついていないことを発見した。
論文 参考訳(メタデータ) (2021-02-01T18:56:02Z) - One Metric to Measure them All: Localisation Recall Precision (LRP) for
Evaluating Visual Detection Tasks [21.349625353213444]
ローカライゼーションリコール精度(LRP)誤差は、ローカライゼーション品質に基づいて計算された視覚検出器の平均一致誤差である。
平均精度(AP)とPanoptic Quality(PQ)によるLPP誤差の詳細な比較分析を行う。
私たちは7つの視覚的検出タスクから、100近い最先端のビジュアル検出器を使用して、LRP Errorがそれよりも豊かで非ネイティブな情報を提供することを実証的に示しています。
論文 参考訳(メタデータ) (2020-11-21T11:20:42Z) - SADet: Learning An Efficient and Accurate Pedestrian Detector [68.66857832440897]
本稿では,一段検出器の検出パイプラインに対する一連の最適化手法を提案する。
効率的な歩行者検出のための単発アンカーベース検出器(SADet)を形成する。
構造的には単純だが、VGA解像度の画像に対して最先端の結果と20ドルFPSのリアルタイム速度を示す。
論文 参考訳(メタデータ) (2020-07-26T12:32:38Z)
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。