論文の概要: Multiclass Confidence and Localization Calibration for Object Detection

• arxiv url: http://arxiv.org/abs/2306.08271v1
• Date: Wed, 14 Jun 2023 06:14:16 GMT
• ステータス: 処理完了
• システム内更新日: 2023-06-16 20:15:18.033019
• Title: Multiclass Confidence and Localization Calibration for Object Detection
• Title（参考訳）: 物体検出のための多クラス信頼度と位置校正
• Authors: Bimsara Pathiraja, Malitha Gunawardhana, Muhammad Haris Khan
• Abstract要約: ディープニューラルネットワーク(DNN)は、過信的な予測を行う傾向があり、調整が不十分である。 本稿では,現代の物体検出手法を校正するための新しい列車時手法を提案する。
• 参考スコア（独自算出の注目度）: 4.119048608751183
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Albeit achieving high predictive accuracy across many challenging computer vision problems, recent studies suggest that deep neural networks (DNNs) tend to make overconfident predictions, rendering them poorly calibrated. Most of the existing attempts for improving DNN calibration are limited to classification tasks and restricted to calibrating in-domain predictions. Surprisingly, very little to no attempts have been made in studying the calibration of object detection methods, which occupy a pivotal space in vision-based security-sensitive, and safety-critical applications. In this paper, we propose a new train-time technique for calibrating modern object detection methods. It is capable of jointly calibrating multiclass confidence and box localization by leveraging their predictive uncertainties. We perform extensive experiments on several in-domain and out-of-domain detection benchmarks. Results demonstrate that our proposed train-time calibration method consistently outperforms several baselines in reducing calibration error for both in-domain and out-of-domain predictions. Our code and models are available at https://github.com/bimsarapathiraja/MCCL.
• Abstract（参考訳）: 多くの挑戦的なコンピュータビジョン問題に対して高い予測精度を達成する一方で、最近の研究は、ディープニューラルネットワーク(DNN)が過信的な予測を行う傾向があることを示唆している。 DNNキャリブレーションを改善する既存の試みのほとんどは、分類タスクに限定され、ドメイン内予測のキャリブレーションに限られている。 驚くべきことに、視覚ベースのセキュリティに敏感で安全に重要なアプリケーションにおいて重要な空間を占める物体検出法を校正する試みは、ほとんど、あるいは全く行われていない。 本稿では,最近の物体検出手法を校正するための新しい列車時間手法を提案する。 予測の不確実性を利用することで、マルチクラス信頼度とボックスローカライズを共同で調整することができる。 我々は複数のドメイン内およびドメイン外検出ベンチマークで広範囲な実験を行う。 その結果,提案手法は,領域内と領域外の両方の予測におけるキャリブレーション誤差を減少させるため,複数のベースラインを一貫して上回っていることがわかった。 私たちのコードとモデルはhttps://github.com/bimsarapathiraja/mcclで利用可能です。

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)
• Multiclass Alignment of Confidence and Certainty for Network Calibration [10.15706847741555]
  最近の研究では、ディープニューラルネットワーク(DNN)が過信的な予測を行う傾向があることが示されている。 予測平均信頼度と予測確実性(MACC)の多クラスアライメントとして知られる簡易なプラグアンドプレイ補助損失を特徴とする列車時キャリブレーション法を提案する。 本手法は,領域内および領域外両方のキャリブレーション性能を実現する。
  論文  参考訳（メタデータ） (2023-09-06T00:56:24Z)
• 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)
• Beyond In-Domain Scenarios: Robust Density-Aware Calibration [48.00374886504513]
  ディープラーニングモデルをキャリブレーションして不確実性を認識した予測を生成することは、ディープニューラルネットワークが安全クリティカルなアプリケーションにますますデプロイされるため、非常に重要です。 k-nearest-neighbors(KNN)に基づく精度保存と密度認識手法であるDACを提案する。 DACはドメインシフトやOODのキャリブレーション性能の堅牢性を高めつつ,ドメイン内予測の不確実性評価に優れることを示す。
  論文  参考訳（メタデータ） (2023-02-10T08:48:32Z)
• On Calibrating Semantic Segmentation Models: Analyses and An Algorithm [51.85289816613351]
  セマンティックセグメンテーションキャリブレーションの問題について検討する。 モデルキャパシティ、作物サイズ、マルチスケールテスト、予測精度はキャリブレーションに影響を及ぼす。 我々は、単純で統一的で効果的なアプローチ、すなわち選択的スケーリングを提案する。
  論文  参考訳（メタデータ） (2022-12-22T22:05:16Z)
• Towards Improving Calibration in Object Detection Under Domain Shift [9.828212203380133]
  本研究では、現在の物体検出モデルの校正について、特にドメインシフト下で検討する。 物体検出のためのプラグアンドプレイ列車時キャリブレーション損失を導入する。 第二に、一般的に使われている自己学習型ドメイン適応検出器を暗黙的に校正できる物体検出のための新しい不確実性機構を考案する。
  論文  参考訳（メタデータ） (2022-09-15T20:32:28Z)
• On the Dark Side of Calibration for Modern Neural Networks [65.83956184145477]
  予測キャリブレーション誤差(ECE)を予測信頼度と改善度に分解する。 正規化に基づくキャリブレーションは、モデルの信頼性を損なうことのみに焦点を当てる。 ラベルの平滑化やミキサアップなど,多くのキャリブレーション手法により,DNNの精度を低下させることで,DNNの有用性を低下させることがわかった。
  論文  参考訳（メタデータ） (2021-06-17T11:04:14Z)
• Post-hoc Uncertainty Calibration for Domain Drift Scenarios [46.88826364244423]
  既存のポストホックキャリブレーション手法は、ドメインシフト下での過信予測を高い精度で得ることを示した。 ポストホックキャリブレーションステップを実行する前に、検証セットのサンプルに摂動を適用する簡単な戦略を紹介します。
  論文  参考訳（メタデータ） (2020-12-20T18:21:13Z)

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。