Fugu-MT 論文翻訳(概要): Out-of-Distribution Detection for Adaptive Computer Vision

論文の概要: Out-of-Distribution Detection for Adaptive Computer Vision

arxiv url: http://arxiv.org/abs/2305.09293v1
Date: Tue, 16 May 2023 09:01:42 GMT
ステータス: 処理完了
システム内更新日: 2023-05-17 15:35:58.296022
Title: Out-of-Distribution Detection for Adaptive Computer Vision
Title（参考訳）: 適応型コンピュータビジョンのための分布外検出
Authors: Simon Kristoffersson Lind, Rudolph Triebel, Luigi Nardi, Volker Krueger
Abstract要約: 本稿では,フローベース分散検出器の正規化に応じて,カメラパラメータを適応させる手法を提案する。この検出器によるカメラパラメータの適応は,mAP,mAR,F1のパフォーマンス指標において平均3～4ポイント向上することを示した。
参考スコア（独自算出の注目度）: 18.11249502761679
License: http://creativecommons.org/licenses/by-sa/4.0/
Abstract: It is well known that computer vision can be unreliable when faced with previously unseen imaging conditions. This paper proposes a method to adapt camera parameters according to a normalizing flow-based out-of-distibution detector. A small-scale study is conducted which shows that adapting camera parameters according to this out-of-distibution detector leads to an average increase of 3 to 4 percentage points in mAP, mAR and F1 performance metrics of a YOLOv4 object detector. As a secondary result, this paper also shows that it is possible to train a normalizing flow model for out-of-distribution detection on the COCO dataset, which is larger and more diverse than most benchmarks for out-of-distibution detectors.
Abstract（参考訳）: コンピュータビジョンは、これまで見えなかった撮像条件に直面すると信頼性が低いことが知られている。本稿では,カメラパラメータを正規化流型除細動検出器に適合させる手法を提案する。この分布外検出器によるカメラパラメータの適応は, YOLOv4物体検出器のmAP, mAR, F1における平均3～4ポイントの増加をもたらすことを示す。二次的な結果として,COCOデータセットの分布外検出のための正規化フローモデルをトレーニングすることも可能であること,また,分布外検出のためのほとんどのベンチマークよりも大きく,多種多様であることを示す。

関連論文リスト

ESVO2: Direct Visual-Inertial Odometry with Stereo Event Cameras [33.81592783496106]
イベントベースのビジュアルオドメトリーは、トラッキングとサブプロブレムを並列にマッピングすることを目的としている。イベントベースのステレオビジュアル慣性オドメトリーシステムを構築した。
論文参考訳（メタデータ） (2024-10-12T05:35:27Z)
Let's Roll: Synthetic Dataset Analysis for Pedestrian Detection Across Different Shutter Types [7.0441427250832644]
本稿では,機械学習(ML)オブジェクト検出モデルに異なるシャッター機構が与える影響について検討する。特に、合成合成されたGSとRSのデータセットを用いて、主流検出モデルを訓練し、評価する。
論文参考訳（メタデータ） (2023-09-15T04:07:42Z)
Detecting Rotated Objects as Gaussian Distributions and Its 3-D Generalization [81.29406957201458]
既存の検出方法は、パラメータ化バウンディングボックス(BBox)を使用して(水平)オブジェクトをモデル化し、検出する。このような機構は回転検出に有効な回帰損失を構築するのに基本的な限界があると主張する。回転した物体をガウス分布としてモデル化することを提案する。 2次元から3次元へのアプローチを、方向推定を扱うアルゴリズム設計により拡張する。
論文参考訳（メタデータ） (2022-09-22T07:50:48Z)
Bridging the View Disparity of Radar and Camera Features for Multi-modal Fusion 3D Object Detection [6.959556180268547]
本稿では3次元物体検出にミリ波レーダとカメラセンサ融合を用いる方法について述べる。より優れた特徴表現のための鳥眼ビュー(BEV)における特徴レベル融合を実現する新しい手法を提案する。
論文参考訳（メタデータ） (2022-08-25T13:21:37Z)
Active Gaze Control for Foveal Scene Exploration [124.11737060344052]
本研究では,葉型カメラを用いた人間とロボットが現場を探索する方法をエミュレートする手法を提案する。提案手法は,同数の視線シフトに対してF1スコアを2～3ポイント増加させる。
論文参考訳（メタデータ） (2022-08-24T14:59:28Z)
Comprehensive Analysis of the Object Detection Pipeline on UAVs [16.071349046409885]
まず、リモートセンシングアプリケーションにおける7つのパラメータ(量子化、圧縮、解像度、色モデル、画像歪み、ガンマ補正、追加チャネル)の影響を実験的に分析する。すべてのパラメータが検出精度とデータスループットに等しく影響を与えるわけではなく、パラメータ間の適切な妥協により、軽量物体検出モデルの検出精度を向上させることができることを示す。
論文参考訳（メタデータ） (2022-03-01T09:30:01Z)
The KFIoU Loss for Rotated Object Detection [115.334070064346]
本稿では,SkewIoU損失とトレンドレベルアライメントを両立できる近似的損失を考案する上で,有効な方法の1つとして論じる。具体的には、対象をガウス分布としてモデル化し、SkewIoUのメカニズムを本質的に模倣するためにカルマンフィルタを採用する。 KFIoUと呼ばれる新たな損失は実装が容易で、正確なSkewIoUよりもうまく動作する。
論文参考訳（メタデータ） (2022-01-29T10:54:57Z)
Cycle and Semantic Consistent Adversarial Domain Adaptation for Reducing Simulation-to-Real Domain Shift in LiDAR Bird's Eye View [110.83289076967895]
ドメイン適応プロセス中に関心のある小さなオブジェクトの情報を保存するために,事前の意味分類を用いたサイクガンに基づくbevドメイン適応法を提案する。生成したBEVの品質は,KITTI 3D Object Detection Benchmarkの最先端3Dオブジェクト検出フレームワークを用いて評価されている。
論文参考訳（メタデータ） (2021-04-22T12:47:37Z)
Robust and Accurate Object Detection via Adversarial Learning [111.36192453882195]
この研究は、逆の例を探索することで、物体検出器の微調整段階を補強する。提案手法は,オブジェクト検出ベンチマークにおいて,最先端のEfficientDetsの性能を+1.1mAP向上させる。
論文参考訳（メタデータ） (2021-03-23T19:45:26Z)
Reinforced Axial Refinement Network for Monocular 3D Object Detection [160.34246529816085]
モノクロ3次元物体検出は、2次元入力画像から物体の位置と特性を抽出することを目的としている。従来のアプローチでは、空間から3D境界ボックスをサンプリングし、対象オブジェクトと各オブジェクトの関係を推定するが、有効サンプルの確率は3D空間で比較的小さい。我々は,まず最初の予測から始めて,各ステップで1つの3dパラメータだけを変えて,基礎的真理に向けて徐々に洗練することを提案する。これは、いくつかのステップの後に報酬を得るポリシーを設計する必要があるため、最適化するために強化学習を採用します。
論文参考訳（メタデータ） (2020-08-31T17:10:48Z)
Fast Distance-based Anomaly Detection in Images Using an Inception-like Autoencoder [16.157879279661362]
畳み込みオートエンコーダ(CAE)を訓練し、画像の低次元表現を抽出する。画像の学習表現の低次元空間に距離ベースの異常検出器を用いる。その結果,予測性能が向上した。
論文参考訳（メタデータ） (2020-03-12T16:10:53Z)

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。