論文の概要: Identifying Out-of-Distribution Samples in Real-Time for Safety-Critical 2D Object Detection with Margin Entropy Loss

• arxiv url: http://arxiv.org/abs/2209.00364v1
• Date: Thu, 1 Sep 2022 11:14:57 GMT
• ステータス: 処理完了
• システム内更新日: 2022-09-02 13:55:51.398420
• Title: Identifying Out-of-Distribution Samples in Real-Time for Safety-Critical 2D Object Detection with Margin Entropy Loss
• Title（参考訳）: マージンエントロピー損失を用いた安全臨界2次元物体検出のためのリアルタイム分布外サンプルの同定
• Authors: Yannik Blei, Nicolas Jourdan, Nils G\"ahlert
• Abstract要約: 本稿では,2次元物体検出におけるOOD検出の限界エントロピー(ME)損失を利用したアプローチを提案する。 ME損失をトレーニングしたCNNは、標準信頼度スコアを用いてOOD検出を著しく上回る。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Convolutional Neural Networks (CNNs) are nowadays often employed in vision-based perception stacks for safetycritical applications such as autonomous driving or Unmanned Aerial Vehicles (UAVs). Due to the safety requirements in those use cases, it is important to know the limitations of the CNN and, thus, to detect Out-of-Distribution (OOD) samples. In this work, we present an approach to enable OOD detection for 2D object detection by employing the margin entropy (ME) loss. The proposed method is easy to implement and can be applied to most existing object detection architectures. In addition, we introduce Separability as a metric for detecting OOD samples in object detection. We show that a CNN trained with the ME loss significantly outperforms OOD detection using standard confidence scores. At the same time, the runtime of the underlying object detection framework remains constant rendering the ME loss a powerful tool to enable OOD detection.
• Abstract（参考訳）: 畳み込みニューラルネットワーク(CNN)は、現在、自律運転や無人航空機(UAV)のような安全クリティカルなアプリケーションのための視覚ベースの知覚スタックによく使われている。 これらのユースケースの安全性要件のため、CNNの限界を知ることが重要であり、したがって、アウト・オブ・ディストリビューション(OOD)サンプルを検出することが重要である。 本研究では, マージンエントロピー(me)損失を用いて, 2次元物体検出のためのood検出を可能にする手法を提案する。 提案手法は実装が容易で,既存のほとんどのオブジェクト検出アーキテクチャに適用可能である。 さらに,物体検出におけるOODサンプル検出の指標としてセパビリティを導入する。 我々は,ME損失をトレーニングしたCNNが標準信頼度スコアを用いてOOD検出を著しく上回ることを示す。 同時に、基盤となるオブジェクト検出フレームワークのランタイムは、OOD検出を可能にする強力なツールであるME損失を常にレンダリングします。

関連論文リスト

• Revisiting Out-of-Distribution Detection in LiDAR-based 3D Object Detection [12.633311483061647]
  アウト・オブ・ディストリビューション(OOD)オブジェクトは誤分類を引き起こし、自動車両の安全性と信頼性に重大なリスクをもたらす。 我々は、ポイントクラウドを変更することなく既存のデータセットを使用できる新しい評価プロトコルを提案する。 提案手法の有効性は,新たに提案したnuScenes OODベンチマークを用いて検証した。
  論文  参考訳（メタデータ） (2024-04-24T13:48:38Z)
• Run-time Introspection of 2D Object Detection in Automated Driving Systems Using Learning Representations [13.529124221397822]
  ディープニューラルネットワーク(DNN)に基づく2次元物体検出のための新しいイントロスペクションソリューションを提案する。 KITTIとBDDのデータセットで評価された1段階および2段階のオブジェクト検出器を用いて,2次元オブジェクト検出におけるエラー検出のためのSOTAイントロスペクション機構を実装した。 性能評価の結果,提案手法はSOTA法より優れており,BDDデータセットのエラー率を9%から17%まで絶対的に削減できることがわかった。
  論文  参考訳（メタデータ） (2024-03-02T10:56:14Z)
• Detecting Out-of-distribution Objects Using Neuron Activation Patterns [0.0]
  物体検出装置(NAPTRON)における分布外サンプル検出のためのニューロン活性化PaTteRnsを導入する。 提案手法は,ID(In-distribution)のパフォーマンスに影響を与えることなく,最先端の手法よりも優れている。 OODオブジェクト検出のための最大のオープンソースベンチマークを作成しました。
  論文  参考訳（メタデータ） (2023-07-31T06:41:26Z)
• SR-OOD: Out-of-Distribution Detection via Sample Repairing [48.272537939227206]
  アウト・オブ・ディストリビューション(OOD)検出は、機械学習モデルの信頼性と堅牢性を保証するための重要なタスクである。 近年の研究では、生成モデルはOODサンプルに高い信頼度を割り当てることがしばしばあり、データのセマンティックな情報を捕捉できないことが示されている。 我々は,サンプル修復の利点を生かし,新しいOOD検出フレームワーク,SR-OODを提案する。 本フレームワークは,OOD検出における最先端な生成手法よりも優れた性能を実現する。
  論文  参考訳（メタデータ） (2023-05-26T16:35:20Z)
• Out-of-Distribution Detection for LiDAR-based 3D Object Detection [8.33476679218773]
  3Dオブジェクト検出は、自動走行の重要な部分である。 ディープモデルは、高い信頼度スコアをアウト・オブ・ディストリビューション(OOD)入力に割り当てたことで知られる。 本稿では,LiDARを用いた3Dオブジェクト検出のためのOOD入力の検出に焦点をあてる。
  論文  参考訳（メタデータ） (2022-09-28T21:39:25Z)
• Triggering Failures: Out-Of-Distribution detection by learning from local adversarial attacks in Semantic Segmentation [76.2621758731288]
  セグメンテーションにおけるアウト・オブ・ディストリビューション(OOD)オブジェクトの検出に取り組む。 私たちの主な貢献は、ObsNetと呼ばれる新しいOOD検出アーキテクチャであり、ローカル・アタック(LAA)に基づく専用トレーニングスキームと関連付けられています。 3つの異なるデータセットの文献の最近の10つの手法と比較して,速度と精度の両面で最高の性能が得られることを示す。
  論文  参考訳（メタデータ） (2021-08-03T17:09:56Z)
• Provably Robust Detection of Out-of-distribution Data (almost) for free [124.14121487542613]
  ディープニューラルネットワークは、アウト・オブ・ディストリビューション(OOD)データに対する高い過度な予測を生成することが知られている。 本稿では,認証可能なOOD検出器を標準分類器と組み合わせてOOD認識分類器を提案する。 このようにして、我々は2つの世界のベストを達成している。OOD検出は、分布内に近いOODサンプルであっても、予測精度を損なうことなく、非操作型OODデータに対する最先端のOOD検出性能に近接する。
  論文  参考訳（メタデータ） (2021-06-08T11:40:49Z)
• 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)
• Out-of-Distribution Detection for Automotive Perception [58.34808836642603]
  ニューラルネットワーク(NN)は、自律運転におけるオブジェクト分類に広く使われている。 NNは、アウト・オブ・ディストリビューション(OOD)データとして知られるトレーニングデータセットで適切に表現されていない入力データでフェールすることができる。 本稿では,OODデータを必要としない入力がOODであるか否かを判定し,推論の計算コストを増大させる方法を提案する。
  論文  参考訳（メタデータ） (2020-11-03T01:46:35Z)
• TOG: Targeted Adversarial Objectness Gradient Attacks on Real-time Object Detection Systems [14.976840260248913]
  本稿では,3つの対象対向対象度勾配攻撃により,オブジェクトの消滅,オブジェクトのファブリケーション,オブジェクトのミスラベリングが生じることを示す。 また,ブラックボックス攻撃に対して,対向移動性を利用する汎用的オブジェクト指向勾配攻撃を提案する。 その結果、深刻な敵の脆弱性が示され、堅牢な物体検出システムを開発するための説得力のある必要性が示された。
  論文  参考訳（メタデータ） (2020-04-09T01:36:23Z)
• Robust Out-of-distribution Detection for Neural Networks [51.19164318924997]
  既存の検出機構は, 分布内およびOOD入力の評価において, 極めて脆弱であることを示す。 ALOE と呼ばれる実効性のあるアルゴリズムを提案する。このアルゴリズムは,逆向きに構築された逆数と外数の両方の例にモデルを公開することにより,堅牢なトレーニングを行う。
  論文  参考訳（メタデータ） (2020-03-21T17:46:28Z)

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。