論文の概要: Uncertainty-aware Gait Recognition via Learning from Dirichlet
Distribution-based Evidence
- arxiv url: http://arxiv.org/abs/2211.08007v1
- Date: Tue, 15 Nov 2022 09:42:07 GMT
- ステータス: 処理完了
- システム内更新日: 2022-11-16 15:03:50.714173
- Title: Uncertainty-aware Gait Recognition via Learning from Dirichlet
Distribution-based Evidence
- Title(参考訳): ディリクレ分布に基づくエビデンスからの学習による不確実性認識
- Authors: Beibei Lin, Chen Liu, Lincheng Li, Robby T. Tan, Xin Yu
- Abstract要約: 歩行認識フレームワークは ギャラリー内の 身元を検索する 調査サンプルと ギャラリー内の身元との 距離に基づいて
既存の方法は、ギャラリーがプローブに対応するIDを含まないことをしばしば無視し、認識エラーにつながる。
本稿では,学習した証拠に基づいて識別の不確かさをモデル化する,新しい不確実性認識手法を提案する。
- 参考スコア(独自算出の注目度): 46.31866920525765
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Existing gait recognition frameworks retrieve an identity in the gallery
based on the distance between a probe sample and the identities in the gallery.
However, existing methods often neglect that the gallery may not contain
identities corresponding to the probes, leading to recognition errors rather
than raising an alarm. In this paper, we introduce a novel uncertainty-aware
gait recognition method that models the uncertainty of identification based on
learned evidence. Specifically, we treat our recognition model as an evidence
collector to gather evidence from input samples and parameterize a Dirichlet
distribution over the evidence. The Dirichlet distribution essentially
represents the density of the probability assigned to the input samples. We
utilize the distribution to evaluate the resultant uncertainty of each probe
sample and then determine whether a probe has a counterpart in the gallery or
not. To the best of our knowledge, our method is the first attempt to tackle
gait recognition with uncertainty modelling. Moreover, our uncertain modeling
significantly improves the robustness against out-of-distribution (OOD)
queries. Extensive experiments demonstrate that our method achieves
state-of-the-art performance on datasets with OOD queries, and can also
generalize well to other identity-retrieval tasks. Importantly, our method
outperforms the state-of-the-art by a large margin of 44.19% when the OOD query
rate is around 50% on OUMVLP.
- Abstract(参考訳): 既存の歩行認識フレームワークは、プローブサンプルとギャラリー内のアイデンティティ間の距離に基づいて、ギャラリー内のアイデンティティを検索する。
しかし、既存の手法では、ギャラリーがプローブに対応するidを含まないことを無視することが多く、アラームを鳴らすよりも認識エラーを生じさせる。
本稿では,学習した証拠に基づいて識別の不確かさをモデル化する新しい不確実性認識手法を提案する。
具体的には,我々の認識モデルをエビデンスコレクタとして扱い,入力サンプルからエビデンスを収集し,エビデンス上のディリクレ分布をパラメータ化する。
ディリクレ分布は本質的に、入力サンプルに割り当てられた確率の密度を表す。
この分布を用いて,各プローブ試料の結果の不確かさを評価し,各プローブがギャラリー内に存在するかどうかを判定する。
我々の知る限り、我々の手法は不確実性モデリングによる歩行認識に取り組む最初の試みである。
さらに、不確実なモデリングは、アウト・オブ・ディストリビューション(OOD)クエリに対するロバスト性を大幅に改善する。
広範な実験により,oodクエリを用いたデータセットの最先端性能を実現し,他のアイデンティティリトライタスクにも一般化できることが証明された。
重要なことは,OODクエリレートがOUMVLPで約50%となると,最先端の手法は44.19%の差で性能が向上する。
関連論文リスト
- Flexible Visual Recognition by Evidential Modeling of Confusion and
Ignorance [25.675733490127964]
現実のシナリオでは、典型的な視覚認識システムは、既知のクラスと、未知のクラスイメージにおける排他的誤動作の間の誤分類という、2つの主要な原因の下で失敗する可能性がある。
これらの欠陥に対処するために、フレキシブルな視覚認識は、選択が不確実な場合に複数のクラスを動的に予測し、入力がトレーニング分布から完全に外れたときに予測を拒否するべきである。
本稿では,この2つの不確実性源を主観的論理理論で明確にモデル化することを提案する。
論文 参考訳(メタデータ) (2023-09-14T03:16:05Z) - Confidence-Aware and Self-Supervised Image Anomaly Localisation [7.099105239108548]
本稿では,ゆるやかな特徴的局所性制約による確率的推論の近似を支援する,自己教師付きシングルクラストレーニング戦略について論じる。
提案手法は,複数のオフ・オブ・ディストリビューション(OOD)検出モデルに統合されている。
論文 参考訳(メタデータ) (2023-03-23T12:48:47Z) - Benchmarking Probabilistic Deep Learning Methods for License Plate
Recognition [11.772116128679116]
本稿では,ライセンスプレート認識における予測の不確かさを明示的にモデル化する。
合成ノイズやぼやけた低解像度画像の実験は、予測の不確実性が確実に間違った予測を見出すことを示した。
論文 参考訳(メタデータ) (2023-02-02T21:37:42Z) - Reliability-Aware Prediction via Uncertainty Learning for Person Image
Retrieval [51.83967175585896]
UALは、データ不確実性とモデル不確実性を同時に考慮し、信頼性に配慮した予測を提供することを目的としている。
データ不確実性はサンプル固有のノイズを捕捉する」一方、モデル不確実性はサンプルの予測に対するモデルの信頼を表現している。
論文 参考訳(メタデータ) (2022-10-24T17:53:20Z) - Causal Imitation Learning with Unobserved Confounders [82.22545916247269]
本研究では,学習者と専門家の感覚入力が異なる場合の模倣学習について検討する。
我々は、専門家の軌跡の量的知識を活用することで、模倣が依然として実現可能であることを示した。
論文 参考訳(メタデータ) (2022-08-12T13:29:53Z) - What is Flagged in Uncertainty Quantification? Latent Density Models for
Uncertainty Categorization [68.15353480798244]
不確実性定量化(UQ)は、信頼できる機械学習モデルを作成する上で不可欠である。
近年、疑わしい事例にフラグを立てるUQ手法が急上昇している。
分類タスクにおけるUQ手法によってフラグ付けされた不確実な例を分類する枠組みを提案する。
論文 参考訳(メタデータ) (2022-07-11T19:47:00Z) - Uncertainty-Aware Reliable Text Classification [21.517852608625127]
ディープニューラルネットワークは、分類タスクの予測精度の成功に大きく貢献している。
ドメインシフトやアウト・オブ・ディストリビューション(out-of-distribution)の例が存在する現実の環境では、過度に信頼された予測を行う傾向があります。
補助外乱と擬似外乱サンプルを併用して, あるクラスの事前知識でモデルを訓練する, 安価なフレームワークを提案する。
論文 参考訳(メタデータ) (2021-07-15T04:39:55Z) - Data-Uncertainty Guided Multi-Phase Learning for Semi-Supervised Object
Detection [66.10057490293981]
半監視対象検出のためのデータ不確実性誘導多相学習法を提案する。
本手法は,ベースライン手法と比較して異常に動作し,大きなマージンで性能を向上する。
論文 参考訳(メタデータ) (2021-03-29T09:27:23Z) - The Hidden Uncertainty in a Neural Networks Activations [105.4223982696279]
ニューラルネットワークの潜在表現の分布は、アウト・オブ・ディストリビューション(OOD)データの検出に成功している。
本研究は、この分布が、モデルの不確実性と相関しているかどうかを考察し、新しい入力に一般化する能力を示す。
論文 参考訳(メタデータ) (2020-12-05T17:30:35Z)
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。