論文の概要: Towards Improving Calibration in Object Detection Under Domain Shift
- arxiv url: http://arxiv.org/abs/2209.07601v1
- Date: Thu, 15 Sep 2022 20:32:28 GMT
- ステータス: 処理完了
- システム内更新日: 2022-09-19 12:31:40.635050
- Title: Towards Improving Calibration in Object Detection Under Domain Shift
- Title(参考訳): 領域シフトによる物体検出におけるキャリブレーションの改善
- Authors: Muhammad Akhtar Munir, Muhammad Haris Khan, M. Saquib Sarfraz, Mohsen
Ali
- Abstract要約: 本研究では、現在の物体検出モデルの校正について、特にドメインシフト下で検討する。
物体検出のためのプラグアンドプレイ列車時キャリブレーション損失を導入する。
第二に、一般的に使われている自己学習型ドメイン適応検出器を暗黙的に校正できる物体検出のための新しい不確実性機構を考案する。
- 参考スコア(独自算出の注目度): 9.828212203380133
- License: http://creativecommons.org/licenses/by-nc-sa/4.0/
- Abstract: The increasing use of deep neural networks in safety-critical applications
requires the trained models to be well-calibrated. Most current calibration
techniques address classification problems while focusing on improving
calibration on in-domain predictions. Little to no attention is paid towards
addressing calibration of visual object detectors which occupy similar space
and importance in many decision making systems. In this paper, we study the
calibration of current object detection models, particularly under domain
shift. To this end, we first introduce a plug-and-play train-time calibration
loss for object detection. It can be used as an auxiliary loss function to
improve detector's calibration. Second, we devise a new uncertainty
quantification mechanism for object detection which can implicitly calibrate
the commonly used self-training based domain adaptive detectors. We include in
our study both single-stage and two-stage object detectors. We demonstrate that
our loss improves calibration for both in-domain and out-of-domain detections
with notable margins. Finally, we show the utility of our techniques in
calibrating the domain adaptive object detectors in diverse domain shift
scenarios.
- Abstract(参考訳): 安全クリティカルなアプリケーションにおけるディープニューラルネットワークの利用の増加は、トレーニングされたモデルを適切に調整する必要がある。
現在のキャリブレーション技術のほとんどは、ドメイン内予測のキャリブレーションの改善に焦点を合わせながら、分類問題に対処する。
多くの意思決定システムにおいて、同様の空間と重要性を占有する視覚オブジェクト検出器の校正にはほとんど注意を払わない。
本稿では,現在の物体検出モデルの校正について,特にドメインシフト下で検討する。
そこで我々はまず,物体検出のためのプラグアンドプレイ列車時校正損失を導入する。
検出器の校正を改善するために補助損失関数として使用できる。
次に,一般の自己学習型領域適応型検出器を暗黙的に校正可能な物体検出のための新しい不確実性定量化機構を考案する。
我々は1段階と2段階の両方の物体検出器の研究に含める。
我々の損失は,領域内および領域外検出のキャリブレーションを顕著なマージンで改善できることを実証する。
最後に、ドメイン適応型オブジェクト検出器を様々なドメインシフトシナリオで校正する手法の有用性を示す。
関連論文リスト
- Learning to Make Keypoints Sub-Pixel Accurate [80.55676599677824]
本研究は,2次元局所特徴の検出におけるサブピクセル精度の課題に対処する。
本稿では,検出された特徴に対するオフセットベクトルを学習することにより,サブピクセル精度で検出器を拡張できる新しいネットワークを提案する。
論文 参考訳(メタデータ) (2024-07-16T12:39:56Z) - Beyond Classification: Definition and Density-based Estimation of
Calibration in Object Detection [15.71719154574049]
我々はディープニューラルネットワーク(DNN)の校正誤差の定義と推定に挑戦する。
特に,物体検出に伴うニュアンスに対処するため,分類校正誤差の定義に適応する。
カーネル密度推定を用いた検出校正誤差の一貫した微分可能な推定器を提案する。
論文 参考訳(メタデータ) (2023-12-11T18:57:05Z) - Cal-DETR: Calibrated Detection Transformer [67.75361289429013]
本稿では,Deformable-DETR,UP-DETR,DINOのキャリブレーション検出トランス(Cal-DETR)のメカニズムを提案する。
我々は、不確実性を利用してクラスロジットを変調する不確実性誘導ロジット変調機構を開発する。
その結果、Cal-DETRは、ドメイン内およびドメイン外の両方を校正する競合する列車時間法に対して有効であることがわかった。
論文 参考訳(メタデータ) (2023-11-06T22:13:10Z) - Multiclass Confidence and Localization Calibration for Object Detection [4.119048608751183]
ディープニューラルネットワーク(DNN)は、過信的な予測を行う傾向があり、調整が不十分である。
本稿では,現代の物体検出手法を校正するための新しい列車時手法を提案する。
論文 参考訳(メタデータ) (2023-06-14T06:14:16Z) - Bridging Precision and Confidence: A Train-Time Loss for Calibrating
Object Detection [58.789823426981044]
本稿では,境界ボックスのクラス信頼度を予測精度に合わせることを目的とした,新たな補助損失定式化を提案する。
その結果,列車の走行時間損失はキャリブレーション基準を超過し,キャリブレーション誤差を低減させることがわかった。
論文 参考訳(メタデータ) (2023-03-25T08:56:21Z) - Confidence Calibration for Object Detection and Segmentation [6.700433100198165]
本章では,物体検出とセグメンテーションモデルのための信頼性校正について検討する。
本稿では,よく知られたキャリブレーション手法の拡張である多変量信頼度キャリブレーションの概念を紹介する。
本研究では,特にオブジェクト検出とインスタンス分割モデルが本質的に誤校正されていることを示す。
論文 参考訳(メタデータ) (2022-02-25T15:59:51Z) - Decoupled Adaptation for Cross-Domain Object Detection [69.5852335091519]
クロスドメインオブジェクト検出は、オブジェクト分類よりも難しい。
D-adaptは4つのクロスドメインオブジェクト検出タスクで最先端の結果を達成する。
論文 参考訳(メタデータ) (2021-10-06T08:43:59Z) - Unsupervised Out-of-Domain Detection via Pre-trained Transformers [56.689635664358256]
ドメイン外の入力は予測不能なアウトプットを引き起こし、時には破滅的な安全性の問題を引き起こす。
本研究は、教師なしのドメイン内データのみを用いて、ドメイン外サンプルを検出する問題に対処する。
検出精度を高めるために、ドメイン固有の2つの微調整手法が提案されている。
論文 参考訳(メタデータ) (2021-06-02T05:21:25Z) - Multivariate Confidence Calibration for Object Detection [7.16879432974126]
本稿では,物体検出手法の偏りのある信頼度推定を計測・校正するための新しい枠組みを提案する。
提案手法により,画像位置とボックススケールに対する補正された信頼度推定値が得られた。
提案手法は,物体検出タスクにおける最先端キャリブレーションモデルよりも優れていることを示す。
論文 参考訳(メタデータ) (2020-04-28T14:17:41Z) - Intra Order-preserving Functions for Calibration of Multi-Class Neural
Networks [54.23874144090228]
一般的なアプローチは、元のネットワークの出力をキャリブレーションされた信頼スコアに変換する、ポストホックキャリブレーション関数を学ぶことである。
以前のポストホックキャリブレーション技術は単純なキャリブレーション機能でしか機能しない。
本稿では,順序保存関数のクラスを表すニューラルネットワークアーキテクチャを提案する。
論文 参考訳(メタデータ) (2020-03-15T12:57:21Z)
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。