論文の概要: DBF: Dynamic Belief Fusion for Combining Multiple Object Detectors
- arxiv url: http://arxiv.org/abs/2204.02890v1
- Date: Wed, 6 Apr 2022 15:16:12 GMT
- ステータス: 処理完了
- システム内更新日: 2022-04-07 14:01:06.584342
- Title: DBF: Dynamic Belief Fusion for Combining Multiple Object Detectors
- Title（参考訳）: DBF:複数物体検出器を組み合わせた動的信念融合
- Authors: Hyungtae Lee and Heesung Kwon
- Abstract要約: 我々は,動的信念融合 (DBF) と呼ばれる,新規で実用的なスコアレベルの融合手法を提案する。
各検出スコアのあいまいさレベルは、対応する検出器の高精度リコール関係に基づいて構築された信頼度モデルを用いて推定する。
ARL, PASCAL VOC 07, 12データセットを用いた実験の結果, DBFの検出精度はベースライン融合法よりも著しく高いことがわかった。
- 参考スコア（独自算出の注目度）: 26.610588734000316
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: In this paper, we propose a novel and highly practical score-level fusion
approach called dynamic belief fusion (DBF) that directly integrates inference
scores of individual detections from multiple object detection methods. To
effectively integrate the individual outputs of multiple detectors, the level
of ambiguity in each detection score is estimated using a confidence model
built on a precision-recall relationship of the corresponding detector. For
each detector output, DBF then calculates the probabilities of three hypotheses
(target, non-target, and intermediate state (target or non-target)) based on
the confidence level of the detection score conditioned on the prior confidence
model of individual detectors, which is referred to as basic probability
assignment. The probability distributions over three hypotheses of all the
detectors are optimally fused via the Dempster's combination rule. Experiments
on the ARL, PASCAL VOC 07, and 12 datasets show that the detection accuracy of
the DBF is significantly higher than any of the baseline fusion approaches as
well as individual detectors used for the fusion.
- Abstract（参考訳）: 本稿では,複数の物体検出手法から個々の検出値を直接統合したdynamic belief fusion (dbf) という,新しい実用性の高いスコアレベルの融合手法を提案する。
複数の検出器の個々の出力を効果的に統合するために、各検出スコアのあいまいさレベルを、対応する検出器の高精度リコール関係に基づく信頼度モデルを用いて推定する。
それぞれの検出器出力に対して、DBFは、基本確率割り当てと呼ばれる個々の検出器の事前信頼度モデルに基づいて、検出スコアの信頼度に基づいて、3つの仮説(ターゲット、非ターゲット、中間状態(ターゲットまたは非ターゲット))の確率を算出する。
全ての検出器の3つの仮説の確率分布は、デンプスターの組合せ則によって最適に融合される。
ARL、PASCAL VOC 07、12データセットの実験では、DBFの検出精度は、核融合に使用される個々の検出器と同様に、どのベースライン融合アプローチよりも著しく高いことが示されている。
関連論文リスト
- Combine and Conquer: A Meta-Analysis on Data Shift and Out-of-Distribution Detection [30.377446496559635]
本稿では,アウト・オブ・ディストリビューション(OOD)検出スコアをシームレスに組み合わせるための普遍的アプローチを提案する。
我々のフレームワークは、検出スコアにおける将来の発展にとって容易であり、この文脈で意思決定境界を結合する最初の手段である。
論文 参考訳（メタデータ） (2024-06-23T08:16:44Z) - Diffusion-based 3D Object Detection with Random Boxes [58.43022365393569]
既存のアンカーベースの3D検出方法は、アンカーの実証的な設定に依存しており、アルゴリズムはエレガンスを欠いている。
提案するDiff3Detは,検出ボックスを生成対象として考慮し,拡散モデルから3次元オブジェクト検出のための提案生成へ移行する。
推論段階では、モデルは予測結果にランダムボックスのセットを徐々に洗練する。
論文 参考訳（メタデータ） (2023-09-05T08:49:53Z) - ConfMix: Unsupervised Domain Adaptation for Object Detection via
Confidence-based Mixing [32.679280923208715]
オブジェクト検出のための教師なしドメイン適応(UDA)は、ソースドメインでトレーニングされたモデルを適用して、アノテーションが利用できない新しいターゲットドメインからインスタンスを検出することを目的としている。
適応型物体検出学習のための領域レベルの検出信頼度に基づくサンプル混合戦略を初めて導入するConfMixを提案する。
論文 参考訳（メタデータ） (2022-10-20T19:16:39Z) - Rethinking the Detection Head Configuration for Traffic Object Detection [11.526701794026641]
本稿では,検出ヘッドとオブジェクト分布のマッチングに基づいて,軽量なトラフィックオブジェクト検出ネットワークを提案する。
提案したモデルでは,BDD100Kデータセットと提案したETFOD-v2データセットの他のモデルよりも,より競争力のあるパフォーマンスを実現している。
論文 参考訳（メタデータ） (2022-10-08T02:23:57Z) - 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) - Meta Learning Low Rank Covariance Factors for Energy-Based Deterministic
Uncertainty [58.144520501201995]
ニューラルネットワーク層のBi-Lipschitz正規化は、各レイヤの特徴空間におけるデータインスタンス間の相対距離を保存する。
注意セットエンコーダを用いて,タスク固有の共分散行列を効率的に構築するために,対角的,対角的,低ランクな要素のメタ学習を提案する。
また,最終的な予測分布を達成するために,スケールしたエネルギーを利用する推論手法を提案する。
論文 参考訳（メタデータ） (2021-10-12T22:04:19Z) - Localization Uncertainty-Based Attention for Object Detection [8.154943252001848]
ガウスモデルを用いて, 4方向位置決めの不確かさを予測できる, より効率的な不確実性認識型高密度検出器 (UADET) を提案する。
MS COCOベンチマークを用いた実験によると、UADETはベースラインFCOSを一貫して上回り、最高のモデルであるResNext-64x4d-101-DCNは、COCOテストデーブで48.3%の単一スケールAPを得る。
論文 参考訳（メタデータ） (2021-08-25T04:32:39Z) - Probabilistic Ranking-Aware Ensembles for Enhanced Object Detections [50.096540945099704]
本稿では,検知器から箱を囲むことの信頼性を向上するPRAE(Probabilistic Ranking Aware Ensemble)という新しいアンサンブルを提案する。
また,異なる数の箱を扱う必要性によって生じる信頼の不均衡問題に対処するためのbanditアプローチも導入する。
論文 参考訳（メタデータ） (2021-05-07T09:37:06Z) - Multimodal Object Detection via Bayesian Fusion [59.31437166291557]
我々は、RGBとサーマルカメラでマルチモーダルオブジェクト検出を研究します。後者は照明不良下ではるかに強力なオブジェクトシグネチャを提供することができます。
我々の重要な貢献は、異なるモードのボックス検出を融合する非学習遅延融合法である。
このアプローチは、整列(KAIST)と非整列(FLIR)のマルチモーダルセンサーデータを含むベンチマークに適用されます。
論文 参考訳（メタデータ） (2021-04-07T04:03:20Z) - ESAD: End-to-end Deep Semi-supervised Anomaly Detection [85.81138474858197]
正規データと異常データの間のKL偏差を計測する新たな目的関数を提案する。
提案手法は,複数のベンチマークデータセットの最先端性能を著しく上回っている。
論文 参考訳（メタデータ） (2020-12-09T08:16:35Z)
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。