論文の概要: Out-of-Distribution Detection for LiDAR-based 3D Object Detection
- arxiv url: http://arxiv.org/abs/2209.14435v1
- Date: Wed, 28 Sep 2022 21:39:25 GMT
- ステータス: 処理完了
- システム内更新日: 2022-09-30 15:58:54.053983
- Title: Out-of-Distribution Detection for LiDAR-based 3D Object Detection
- Title（参考訳）: LiDARを用いた3次元物体検出のための分布外検出
- Authors: Chengjie Huang, Van Duong Nguyen, Vahdat Abdelzad, Christopher Gus
Mannes, Luke Rowe, Benjamin Therien, Rick Salay, Krzysztof Czarnecki
- Abstract要約: 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。
- 参考スコア（独自算出の注目度）: 8.33476679218773
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: 3D object detection is an essential part of automated driving, and deep
neural networks (DNNs) have achieved state-of-the-art performance for this
task. However, deep models are notorious for assigning high confidence scores
to out-of-distribution (OOD) inputs, that is, inputs that are not drawn from
the training distribution. Detecting OOD inputs is challenging and essential
for the safe deployment of models. OOD detection has been studied extensively
for the classification task, but it has not received enough attention for the
object detection task, specifically LiDAR-based 3D object detection. In this
paper, we focus on the detection of OOD inputs for LiDAR-based 3D object
detection. We formulate what OOD inputs mean for object detection and propose
to adapt several OOD detection methods for object detection. We accomplish this
by our proposed feature extraction method. To evaluate OOD detection methods,
we develop a simple but effective technique of generating OOD objects for a
given object detection model. Our evaluation based on the KITTI dataset shows
that different OOD detection methods have biases toward detecting specific OOD
objects. It emphasizes the importance of combined OOD detection methods and
more research in this direction.
- Abstract（参考訳）: 3Dオブジェクト検出は自動運転の重要な部分であり、ディープニューラルネットワーク(DNN)はこのタスクで最先端のパフォーマンスを達成した。
しかし、深層モデルは、トレーニング分布から引き出されることのない入力であるout-of-distribution (ood)入力に高い信頼度スコアを割り当てることで悪名高い。
OOD入力の検出は、モデルの安全なデプロイに不可欠である。
OOD検出は分類タスクのために広く研究されているが、オブジェクト検出タスク、特にLiDARベースの3Dオブジェクト検出には十分な注意が払われていない。
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。
我々は、OOD入力がオブジェクト検出に何を意味するかを定式化し、オブジェクト検出に複数のOOD検出手法を適用することを提案する。
提案手法を特徴抽出法により実現した。
OOD検出手法を評価するため,対象物検出モデルに対して,OODオブジェクトを生成するための簡易かつ効果的な手法を開発した。
KITTIデータセットを用いて評価した結果,OOD検出法はOOD検出に偏りがあることが判明した。
OOD検出方法の併用の重要性と、この方向におけるさらなる研究の重要性を強調している。
関連論文リスト
- Open-Set 3D object detection in LiDAR data as an Out-of-Distribution problem [6.131026007721572]
LiDARデータからの3Dオブジェクト検出は,制御環境下での産業対応性能を実現している。
我々は,LiDARデータにおけるオープンセット3Dオブジェクト検出問題を,外部分布(OOD)問題として再定義し,外乱オブジェクトを検出する。
論文 参考訳（メタデータ） (2024-10-31T09:29:55Z) - Can OOD Object Detectors Learn from Foundation Models? [56.03404530594071]
アウト・オブ・ディストリビューション(OOD)オブジェクト検出は、オープンセットのOODデータがないため、難しい課題である。
テキストから画像への生成モデルの最近の進歩に触発されて,大規模オープンセットデータを用いて訓練された生成モデルがOODサンプルを合成する可能性について検討した。
SyncOODは,大規模基盤モデルの能力を活用するシンプルなデータキュレーション手法である。
論文 参考訳（メタデータ） (2024-09-08T17:28:22Z) - 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) - 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) - Beyond AUROC & co. for evaluating out-of-distribution detection
performance [50.88341818412508]
安全(r)AIとの関連性を考えると,OOD検出法の比較の基礎が実用的ニーズと整合しているかどうかを検討することが重要である。
我々は,IDとOODの分離が不十分なことを明示する新しい指標であるAUTC(Area Under the Threshold Curve)を提案する。
論文 参考訳（メタデータ） (2023-06-26T12:51:32Z) - Rethinking Out-of-distribution (OOD) Detection: Masked Image Modeling is
All You Need [52.88953913542445]
簡単な再構築手法を用いることで,OOD検出の性能が大幅に向上する可能性が示唆された。
我々は、OOD検出フレームワーク(MOOD)のプリテキストタスクとして、マスケ画像モデリング(Masked Image Modeling)を採用する。
論文 参考訳（メタデータ） (2023-02-06T08:24:41Z) - YolOOD: Utilizing Object Detection Concepts for Multi-Label
Out-of-Distribution Detection [25.68925703896601]
YolOODは、オブジェクト検出領域の概念を利用して、マルチラベル分類タスクでOOD検出を行う方法である。
提案手法を最先端のOOD検出手法と比較し,OODベンチマークデータセットの総合的なスイートにおいて,YolOODがこれらの手法より優れていることを示す。
論文 参考訳（メタデータ） (2022-12-05T07:52:08Z) - Identifying Out-of-Distribution Samples in Real-Time for Safety-Critical
2D Object Detection with Margin Entropy Loss [0.0]
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。
論文 参考訳（メタデータ） (2022-09-01T11:14:57Z) - 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) - 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) - 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。