論文の概要: Overcoming the Limitations of Localization Uncertainty: Efficient &
Exact Non-Linear Post-Processing and Calibration
- arxiv url: http://arxiv.org/abs/2306.08981v1
- Date: Thu, 15 Jun 2023 09:20:07 GMT
- ステータス: 処理完了
- システム内更新日: 2023-06-16 15:36:26.844832
- Title: Overcoming the Limitations of Localization Uncertainty: Efficient &
Exact Non-Linear Post-Processing and Calibration
- Title（参考訳）: 局所的不確かさの限界を克服する:効率的かつ厳密な非線形後処理と校正
- Authors: Moussa Kassem Sbeyti, Michelle Karg, Christian Wirth, Azarm Nowzad and
Sahin Albayrak
- Abstract要約: 既存の研究は、その局在化出力をガウス分布としてモデル化することで、物体検出器のアレター的不確かさを推定する。
我々は、芸術の状況に適応していない3つの側面を識別するが、さらなる探索は保証する。
我々は,(1)効率の良いDetにおける損失減衰を実装し,出力分布の正確かつ迅速な伝播のための2つの決定論的手法を提案し,(2)予測の不確実性が誤校正されていることをKITTIとBDD100Kデータセットで示すことによって,これらの制限を克服する。
- 参考スコア（独自算出の注目度）: 4.199844472131921
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Robustly and accurately localizing objects in real-world environments can be
challenging due to noisy data, hardware limitations, and the inherent
randomness of physical systems. To account for these factors, existing works
estimate the aleatoric uncertainty of object detectors by modeling their
localization output as a Gaussian distribution
$\mathcal{N}(\mu,\,\sigma^{2})\,$, and training with loss attenuation. We
identify three aspects that are unaddressed in the state of the art, but
warrant further exploration: (1) the efficient and mathematically sound
propagation of $\mathcal{N}(\mu,\,\sigma^{2})\,$ through non-linear
post-processing, (2) the calibration of the predicted uncertainty, and (3) its
interpretation. We overcome these limitations by: (1) implementing loss
attenuation in EfficientDet, and proposing two deterministic methods for the
exact and fast propagation of the output distribution, (2) demonstrating on the
KITTI and BDD100K datasets that the predicted uncertainty is miscalibrated, and
adapting two calibration methods to the localization task, and (3)
investigating the correlation between aleatoric uncertainty and task-relevant
error sources. Our contributions are: (1) up to five times faster propagation
while increasing localization performance by up to 1\%, (2) up to fifteen times
smaller expected calibration error, and (3) the predicted uncertainty is found
to correlate with occlusion, object distance, detection accuracy, and image
quality.
- Abstract（参考訳）: 実環境におけるオブジェクトのロバストで正確なローカライズは、ノイズデータ、ハードウェアの制限、物理システムの固有のランダム性などにより困難である。
これらの要因を考慮し、既存の研究は、その局在化出力をガウス分布 $\mathcal{N}(\mu,\,\sigma^{2})\,$ としてモデル化し、損失減衰を伴う訓練を行うことで、物体検出器のアレター的不確かさを推定する。
本研究は,非線形後処理による$\mathcal{N}(\mu,\,\sigma^{2})\,$の効率的かつ数学的音の伝搬,(2)予測された不確実性の校正,(3)解釈の3つの側面を同定する。
我々は,(1)効率の良いDetにおける損失減衰を実装し,出力分布の正確かつ迅速な伝播のための2つの決定論的手法を提案し,(2)予測された不確実性が誤校正されたことをKITTIおよびBDD100Kデータセット上で実証し,また,2つのキャリブレーション手法をローカライズタスクに適用し,(3)アラート的不確実性とタスク関連エラーソースとの相関を調べた。
その結果,(1)局所化性能を最大1\%向上させながら伝搬速度を最大5倍向上させ,(2)期待校正誤差を最大15倍小さくし,(3)予測の不確かさは咬合,物体距離,検出精度,画質と相関することがわかった。
関連論文リスト
- Calibrated Uncertainty Quantification for Operator Learning via
Conformal Prediction [95.75771195913046]
本稿では, リスク制御型量子ニューラル演算子, 分布のない有限サンプル機能キャリブレーション等式予測法を提案する。
関数領域上の点の期待値として定義されるカバレッジ率に関する理論的キャリブレーションを保証する。
2次元ダーシー流と3次元自動車表面圧力予測タスクに関する実験結果から,我々の理論的結果が検証された。
論文 参考訳（メタデータ） (2024-02-02T23:43:28Z) - Distributional Shift-Aware Off-Policy Interval Estimation: A Unified
Error Quantification Framework [8.572441599469597]
本研究では、無限水平マルコフ決定過程の文脈における高信頼オフ政治評価について検討する。
目的は、未知の行動ポリシーから事前に収集されたオフラインデータのみを用いて、対象の政策値に対する信頼区間(CI)を確立することである。
提案アルゴリズムは, 非線形関数近似設定においても, サンプル効率, 誤差ローバスト, 既知収束性を示す。
論文 参考訳（メタデータ） (2023-09-23T06:35:44Z) - 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) - DBCal: Density Based Calibration of classifier predictions for
uncertainty quantification [0.0]
本稿では,機械学習手法を用いて予測の不確かさを定量化する手法を提案する。
提案手法は,2つのニューラルネットワークの出力が正しい確率を正確に推定する。
論文 参考訳（メタデータ） (2022-04-01T01:03:41Z) - 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) - Estimating and Exploiting the Aleatoric Uncertainty in Surface Normal
Estimation [25.003116148843525]
単一画像からの表面正規化は3次元シーン理解において重要な課題である。
本稿では,既存手法で共有されている2つの制約,すなわち,アレータリック不確実性を推定できないこと,および予測における詳細性の欠如に対処する。
本稿では,推定不確実性に基づいて,画素単位のパーセプトロンをサンプルとするデコーダフレームワークを提案する。
論文 参考訳（メタデータ） (2021-09-20T23:30:04Z) - Uncertainty-Aware Camera Pose Estimation from Points and Lines [101.03675842534415]
Perspective-n-Point-and-Line (Pn$PL) は、2D-3D特徴座標の3Dモデルに関して、高速で正確で堅牢なカメラローカライゼーションを目指している。
論文 参考訳（メタデータ） (2021-07-08T15:19:36Z) - Uncertainty Estimation and Calibration with Finite-State Probabilistic
RNNs [29.84563789289183]
不確かさの定量化は、信頼性と信頼性のある機械学習システムを構築するために不可欠である。
本稿では、リカレントニューラルネットワーク(RNN)における離散状態遷移による不確実性の推定を提案する。
モデルの不確実性は、繰り返し状態遷移分布からサンプリングするたびに、予測を数回実行することで定量化することができる。
論文 参考訳（メタデータ） (2020-11-24T10:35:28Z) - Localization Uncertainty Estimation for Anchor-Free Object Detection [48.931731695431374]
アンカーベース物体検出のための既存の不確実性推定手法にはいくつかの制限がある。
アンカーフリー物体検出のためのUADと呼ばれる新しい位置推定不確実性推定手法を提案する。
本手法は,ボックスオフセットの4方向の不確かさを均一に捉え,どの方向が不確実であるかを判断する。
論文 参考訳（メタデータ） (2020-06-28T13:49:30Z) - Uncertainty quantification for nonconvex tensor completion: Confidence
intervals, heteroscedasticity and optimality [92.35257908210316]
本研究では,不完全かつ破損した観測によって与えられる低ランクテンソルを推定する問題について検討する。
改善不可能なレートをell-2$の精度で達成できることが分かりました。
論文 参考訳（メタデータ） (2020-06-15T17:47:13Z)
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。