論文の概要: A Review of Uncertainty Calibration in Pretrained Object Detectors
- arxiv url: http://arxiv.org/abs/2210.02935v1
- Date: Thu, 6 Oct 2022 14:06:36 GMT
- ステータス: 処理完了
- システム内更新日: 2022-10-07 16:53:10.529163
- Title: A Review of Uncertainty Calibration in Pretrained Object Detectors
- Title(参考訳): 予習物体検出器における不確実性校正の検討
- Authors: Denis Huseljic and Marek Herde and Mehmet Muejde and Bernhard Sick
- Abstract要約: 多クラス設定における事前訓練対象検出アーキテクチャの不確実性校正特性について検討する。
公平でバイアスのない,繰り返し可能な評価を実現するためのフレームワークを提案する。
検出器のキャリブレーションが低い理由について、新しい知見を提供する。
- 参考スコア(独自算出の注目度): 5.440028715314566
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: In the field of deep learning based computer vision, the development of deep
object detection has led to unique paradigms (e.g., two-stage or set-based) and
architectures (e.g., Faster-RCNN or DETR) which enable outstanding performance
on challenging benchmark datasets. Despite this, the trained object detectors
typically do not reliably assess uncertainty regarding their own knowledge, and
the quality of their probabilistic predictions is usually poor. As these are
often used to make subsequent decisions, such inaccurate probabilistic
predictions must be avoided. In this work, we investigate the uncertainty
calibration properties of different pretrained object detection architectures
in a multi-class setting. We propose a framework to ensure a fair, unbiased,
and repeatable evaluation and conduct detailed analyses assessing the
calibration under distributional changes (e.g., distributional shift and
application to out-of-distribution data). Furthermore, by investigating the
influence of different detector paradigms, post-processing steps, and suitable
choices of metrics, we deliver novel insights into why poor detector
calibration emerges. Based on these insights, we are able to improve the
calibration of a detector by simply finetuning its last layer.
- Abstract(参考訳): ディープラーニングベースのコンピュータビジョンの分野では、ディープオブジェクト検出の開発は、独自のパラダイム(例えば、2段階またはセットベース)とアーキテクチャ(例えば、Faster-RCNNやDETR)をもたらし、挑戦的なベンチマークデータセット上での優れたパフォーマンスを実現している。
それにもかかわらず、訓練された物体検出器は、通常、自身の知識に関する不確実性を確実に評価しておらず、確率的予測の品質は低い。
これらは後続の決定にしばしば用いられるため、そのような不正確な確率的予測は避けなければならない。
本研究では,様々な事前学習対象検出アーキテクチャにおける不確かさのキャリブレーション特性をマルチクラス設定で検討する。
本研究では,分布変化によるキャリブレーション(分布シフト,分布外データの適用など)を評価する上で,公平かつ偏りのない,繰り返し可能な評価を実現するための枠組みを提案する。
さらに, 異なる検出器のパラダイム, 後処理ステップ, 適切なメトリクス選択の影響を調べた結果, 検出器のキャリブレーションが低い理由について新たな知見が得られた。
これらの知見に基づき、最終層を微調整するだけで検出器の校正を改善することができる。
関連論文リスト
- 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) - Quantification of Predictive Uncertainty via Inference-Time Sampling [57.749601811982096]
本稿では,データあいまいさの予測不確実性を推定するためのポストホックサンプリング手法を提案する。
この方法は与えられた入力に対して異なる可算出力を生成することができ、予測分布のパラメトリック形式を仮定しない。
論文 参考訳(メタデータ) (2023-08-03T12:43:21Z) - 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) - Uncertainty-Aware AB3DMOT by Variational 3D Object Detection [74.8441634948334]
不確実性推定は統計的に正確な予測を提供する効果的なツールである。
本稿では,変分ニューラルネットワークを用いたTANet 3Dオブジェクト検出器を提案し,不確実性のある3Dオブジェクト検出を行う。
論文 参考訳(メタデータ) (2023-02-12T14:30:03Z) - Object Detection as Probabilistic Set Prediction [3.7599363231894176]
本稿では,確率的物体検出器の評価と訓練を行うための適切なスコアリングルールを提案する。
以上の結果から,既存の検出器のトレーニングは非確率的指標に最適化されていることが示唆された。
論文 参考訳(メタデータ) (2022-03-15T15:13:52Z) - CertainNet: Sampling-free Uncertainty Estimation for Object Detection [65.28989536741658]
ニューラルネットワークの不確実性を推定することは、安全クリティカルな設定において基本的な役割を果たす。
本研究では,オブジェクト検出のための新しいサンプリング不要不確実性推定法を提案する。
私たちはそれをCertainNetと呼び、各出力信号に対して、オブジェクト性、クラス、位置、サイズという、別の不確実性を提供するのは、これが初めてです。
論文 参考訳(メタデータ) (2021-10-04T17:59:31Z) - Gradient-Based Quantification of Epistemic Uncertainty for Deep Object
Detectors [8.029049649310213]
本稿では,新しい勾配に基づく不確実性指標を導入し,異なる物体検出アーキテクチャについて検討する。
実験では、真の肯定的/偽の正の判別と、結合上の交叉の予測において顕著な改善が示された。
また,モンテカルロのドロップアウト不確実性指標に対する改善や,さまざまな不確実性指標のソースを集約することで,さらなる大幅な向上が期待できる。
論文 参考訳(メタデータ) (2021-07-09T16:04:11Z) - NADS: Neural Architecture Distribution Search for Uncertainty Awareness [79.18710225716791]
機械学習(ML)システムは、トレーニングデータとは異なるディストリビューションから来るテストデータを扱う場合、しばしばOoD(Out-of-Distribution)エラーに遭遇する。
既存のOoD検出アプローチはエラーを起こしやすく、時にはOoDサンプルに高い確率を割り当てることもある。
本稿では,すべての不確実性を考慮したアーキテクチャの共通構築ブロックを特定するために,ニューラルアーキテクチャ分布探索(NADS)を提案する。
論文 参考訳(メタデータ) (2020-06-11T17:39:07Z) - 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)
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。