論文の概要: LMD: Light-weight Prediction Quality Estimation for Object Detection in
Lidar Point Clouds
- arxiv url: http://arxiv.org/abs/2306.07835v2
- Date: Thu, 15 Jun 2023 08:14:19 GMT
- ステータス: 処理完了
- システム内更新日: 2023-06-16 10:42:20.295150
- Title: LMD: Light-weight Prediction Quality Estimation for Object Detection in
Lidar Point Clouds
- Title（参考訳）: LMD:ライダー点雲における物体検出のための軽量予測品質推定
- Authors: Tobias Riedlinger, Marius Schubert, Sarina Penquitt, Jan-Marcel
Kezmann, Pascal Colling, Karsten Kahl, Lutz Roese-Koerner, Michael Arnold,
Urs Zimmermann, Matthias Rottmann
- Abstract要約: Lidarのクラウドデータのオブジェクト検出は、自動運転とロボット工学にとって有望な技術だ。
不確実性推定は下流タスクにとって重要な要素であり、ディープニューラルネットワークは信頼性の高い予測であってもエラーを起こしやすい。
予測品質推定のための軽量後処理方式LidarMetaDetectを提案する。
本実験は,偽予測から真を分離する際の統計的信頼性を著しく向上させることを示した。
- 参考スコア（独自算出の注目度）: 3.927702899922668
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Object detection on Lidar point cloud data is a promising technology for
autonomous driving and robotics which has seen a significant rise in
performance and accuracy during recent years. Particularly uncertainty
estimation is a crucial component for down-stream tasks and deep neural
networks remain error-prone even for predictions with high confidence.
Previously proposed methods for quantifying prediction uncertainty tend to
alter the training scheme of the detector or rely on prediction sampling which
results in vastly increased inference time. In order to address these two
issues, we propose LidarMetaDetect (LMD), a light-weight post-processing scheme
for prediction quality estimation. Our method can easily be added to any
pre-trained Lidar object detector without altering anything about the base
model and is purely based on post-processing, therefore, only leading to a
negligible computational overhead. Our experiments show a significant increase
of statistical reliability in separating true from false predictions. We
propose and evaluate an additional application of our method leading to the
detection of annotation errors. Explicit samples and a conservative count of
annotation error proposals indicates the viability of our method for
large-scale datasets like KITTI and nuScenes. On the widely-used nuScenes test
dataset, 43 out of the top 100 proposals of our method indicate, in fact,
erroneous annotations.
- Abstract（参考訳）: Lidarポイントクラウドデータのオブジェクト検出は、自律運転とロボット工学にとって有望な技術であり、近年、パフォーマンスと精度が著しく上昇している。
特に不確実性推定は下流タスクにとって重要な要素であり、深いニューラルネットワークは信頼性の高い予測であってもエラーを起こしやすい。
従来提案した予測不確実性の定量化手法は,検出者のトレーニングスキームを変更したり,推測時間を大幅に増加させる予測サンプリングに依存する傾向にあった。
これら2つの問題に対処するため,予測品質推定のための軽量後処理方式LidarMetaDetect (LMD)を提案する。
提案手法は,任意のトレーニング済みLidarオブジェクト検出器に,ベースモデルについて何も変更することなく容易に追加可能であり,処理後処理に基づいているため,計算オーバーヘッドは無視できない。
本実験は,偽予測から真を分離する際の統計的信頼性を著しく向上させることを示した。
本手法はアノテーションエラーの検出に繋がる追加の応用について提案・評価を行う。
明示的なサンプルと保守的なアノテーションエラーのカウントは、kittiやnuscenesのような大規模データセットに対するメソッドの実行可能性を示している。
広く使われているnuScenesテストデータセットでは,提案手法のトップ100のうち43が誤アノテーションを示している。
関連論文リスト
- Provably Reliable Conformal Prediction Sets in the Presence of Data Poisoning [53.42244686183879]
コンフォーマル予測は、モデルに依存しない、分布のない不確実性定量化を提供する。
しかし、敵が訓練データと校正データを操作した場合の毒殺攻撃では、共形予測は信頼性が低い。
信頼性予測セット (RPS): 汚染下での信頼性保証を証明可能な共形予測セットを構築するための最初の効率的な方法を提案する。
論文 参考訳（メタデータ） (2024-10-13T15:37:11Z) - Estimating Uncertainty with Implicit Quantile Network [0.0]
不確かさの定量化は多くの性能クリティカルなアプリケーションにおいて重要な部分である。
本稿では,アンサンブル学習やベイズニューラルネットワークなど,既存のアプローチに対する簡単な代替手段を提供する。
論文 参考訳（メタデータ） (2024-08-26T13:33:14Z) - GVFs in the Real World: Making Predictions Online for Water Treatment [23.651798878534635]
実際の飲料水処理プラントにおける強化学習に基づく予測手法の適用について検討する。
まず、このデータセットを説明し、季節性、非定常性、部分観測可能性といった課題を強調します。
オンラインで学習するTDエージェントに対してオンライン更新を行わずに、純粋にオフラインで訓練されたTDエージェントを比較して、デプロイメントにおける学習の重要性を示す。
論文 参考訳（メタデータ） (2023-12-04T04:49:10Z) - A Review of Uncertainty Calibration in Pretrained Object Detectors [5.440028715314566]
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。
論文 参考訳（メタデータ） (2022-10-06T14:06:36Z) - NUQ: Nonparametric Uncertainty Quantification for Deterministic Neural
Networks [151.03112356092575]
本研究では,Nadaraya-Watson の条件付きラベル分布の非パラメトリック推定に基づく分類器の予測の不確かさの測定方法を示す。
種々の実世界の画像データセットにおける不確実性推定タスクにおいて,本手法の強い性能を示す。
論文 参考訳（メタデータ） (2022-02-07T12:30:45Z) - Leveraging Unlabeled Data to Predict Out-of-Distribution Performance [63.740181251997306]
実世界の機械学習デプロイメントは、ソース(トレーニング)とターゲット(テスト)ディストリビューションのミスマッチによって特徴づけられる。
本研究では,ラベル付きソースデータとラベルなしターゲットデータのみを用いて,対象領域の精度を予測する手法を検討する。
本稿では,モデルの信頼度をしきい値として学習し,精度をラベルなし例のごく一部として予測する実践的手法である平均閾値保持信頼度(ATC)を提案する。
論文 参考訳（メタデータ） (2022-01-11T23:01:12Z) - Taming Overconfident Prediction on Unlabeled Data from Hindsight [50.9088560433925]
ラベルのないデータに対する予測の不確実性を最小化することは、半教師付き学習において優れた性能を達成するための鍵となる要素である。
本稿では,アダプティブシャーニング(Adaptive Sharpening, ADS)と呼ばれる2つのメカニズムを提案する。
ADSは、プラグインにすることで最先端のSSLメソッドを大幅に改善する。
論文 参考訳（メタデータ） (2021-12-15T15:17:02Z) - 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) - Estimating and Evaluating Regression Predictive Uncertainty in Deep
Object Detectors [9.273998041238224]
負の対数確率(nll)を持つトレーニング分散ネットワークは、高いエントロピー予測分布をもたらす可能性がある。
我々は,エネルギースコアを非局所的適切なスコアリングルールとして使用し,トレーニングに使用すると,エネルギースコアがより校正され,エントロピーの予測分布が低くなることを示す。
論文 参考訳（メタデータ） (2021-01-13T12:53:54Z) - Unlabelled Data Improves Bayesian Uncertainty Calibration under
Covariate Shift [100.52588638477862]
後続正則化に基づく近似ベイズ推定法を開発した。
前立腺癌の予後モデルを世界規模で導入する上で,本手法の有用性を実証する。
論文 参考訳（メタデータ） (2020-06-26T13:50:19Z)
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。