Fugu-MT 論文翻訳(概要): Towards Building Self-Aware Object Detectors via Reliable Uncertainty Quantification and Calibration

論文の概要: Towards Building Self-Aware Object Detectors via Reliable Uncertainty Quantification and Calibration

arxiv url: http://arxiv.org/abs/2307.00934v1
Date: Mon, 3 Jul 2023 11:16:39 GMT
ステータス: 処理完了
システム内更新日: 2023-07-05 13:19:21.812148
Title: Towards Building Self-Aware Object Detectors via Reliable Uncertainty Quantification and Calibration
Title（参考訳）: 不確かさの定量化と校正による自己認識型物体検出装置の構築に向けて
Authors: Kemal Oksuz and Tom Joy and Puneet K. Dokania
Abstract要約: 本稿では,自己認識オブジェクト検出(SAOD)タスクを紹介する。 SAODタスクは、自律運転のような安全クリティカルな環境でオブジェクト検出器が直面する課題を尊重し、遵守する。我々は、多数のオブジェクト検出器をテストするために、新しいメトリクスと大規模なテストデータセットを導入したフレームワークを広範囲に使用しています。
参考スコア（独自算出の注目度）: 17.461451218469062
License: http://creativecommons.org/licenses/by-nc-sa/4.0/
Abstract: The current approach for testing the robustness of object detectors suffers from serious deficiencies such as improper methods of performing out-of-distribution detection and using calibration metrics which do not consider both localisation and classification quality. In this work, we address these issues, and introduce the Self-Aware Object Detection (SAOD) task, a unified testing framework which respects and adheres to the challenges that object detectors face in safety-critical environments such as autonomous driving. Specifically, the SAOD task requires an object detector to be: robust to domain shift; obtain reliable uncertainty estimates for the entire scene; and provide calibrated confidence scores for the detections. We extensively use our framework, which introduces novel metrics and large scale test datasets, to test numerous object detectors in two different use-cases, allowing us to highlight critical insights into their robustness performance. Finally, we introduce a simple baseline for the SAOD task, enabling researchers to benchmark future proposed methods and move towards robust object detectors which are fit for purpose. Code is available at https://github.com/fiveai/saod
Abstract（参考訳）: オブジェクト検出器のロバスト性をテストする現在のアプローチは、分散検出を行う不適切な方法や、局所化と分類品質の両方を考慮しないキャリブレーションメトリクスなど、深刻な欠陥に苦しんでいる。本稿では,これらの課題に対処し,自律運転などの安全クリティカルな環境において,物体検出者が直面する課題を尊重し,遵守する統一テストフレームワークである,自己認識型オブジェクト検出(saod)タスクを紹介する。具体的には、SAODタスクはオブジェクト検出器を必要とする: ドメインシフトに対する堅牢性、シーン全体に対する確実な不確実性推定、そして検出のための校正された信頼スコアを提供する。私たちは、新しいメトリクスと大規模なテストデータセットを導入して、2つの異なるユースケースで多数のオブジェクト検出器をテストするこのフレームワークを広範囲に使用しました。最後に、SAODタスクの単純なベースラインを導入し、将来の提案手法をベンチマークし、目的に適した堅牢なオブジェクト検出器に移行する。コードはhttps://github.com/fiveai/saodで入手できる。

関連論文リスト

Open-set object detection: towards unified problem formulation and benchmarking [2.4374097382908477]
統合VOC-COCO評価と,新しい評価指標の他に,明確な階層的オブジェクト定義を提供するOpenImagesRoadベンチマークの2つのベンチマークを紹介する。提案したベンチマークで最先端の手法を広範囲に評価する。この研究は、明確な問題定義を提供し、一貫した評価を保証し、OSOD戦略の有効性に関する新たな結論を導き出す。
論文参考訳（メタデータ） (2024-11-08T13:40:01Z)
Uncertainty Estimation for 3D Object Detection via Evidential Learning [63.61283174146648]
本稿では,3次元検出器における鳥の視線表示における明らかな学習損失を利用して,3次元物体検出の不確かさを定量化するためのフレームワークを提案する。本研究では,これらの不確実性評価の有効性と重要性を,分布外シーンの特定,局所化の不十分な物体の発見,および(偽陰性)検出の欠如について示す。
論文参考訳（メタデータ） (2024-10-31T13:13:32Z)
Object criticality for safer navigation [1.565361244756411]
対象検出器が与えられた場合、その関連性に基づいてオブジェクトをフィルタリングし、関連するオブジェクトの欠落のリスクを低減し、危険な軌道の可能性を低減し、一般的に軌道の質を向上させる。対象物検知器を与えられた場合、その関連性に基づいてオブジェクトをフィルタリングし、失う対象のリスクを低減し、危険な軌道の可能性を低減し、一般的に軌道の質を向上させる。
論文参考訳（メタデータ） (2024-04-25T09:02:22Z)
SalienDet: A Saliency-based Feature Enhancement Algorithm for Object Detection for Autonomous Driving [160.57870373052577]
未知の物体を検出するために,サリエンデット法(SalienDet)を提案する。我々のSaienDetは、オブジェクトの提案生成のための画像機能を強化するために、サリエンシに基づくアルゴリズムを利用している。オープンワールド検出を実現するためのトレーニングサンプルセットにおいて、未知のオブジェクトをすべてのオブジェクトと区別するためのデータセットレザベリングアプローチを設計する。
論文参考訳（メタデータ） (2023-05-11T16:19:44Z)
Evaluating Object (mis)Detection from a Safety and Reliability Perspective: Discussion and Measures [1.8492669447784602]
本稿では,最も危険で運転決定に影響を及ぼす可能性が最も高い物体の正確な識別に報いる新しい物体検出手法を提案する。我々は、最近の自律走行データセットnuScenesにモデルを適用し、9つの物体検出器を比較した。その結果、いくつかの環境では、安全性と信頼性に重点を置いている場合、nuScenesランキングでベストに機能するオブジェクト検出器は好ましくないことが判明した。
論文参考訳（メタデータ） (2022-03-04T09:31:20Z)
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)
Pseudo-IoU: Improving Label Assignment in Anchor-Free Object Detection [60.522877583407904]
現在のアンカーフリー物体検出器は非常に単純で有効であるが、正確なラベル割り当て方法がない。 Pseudo-Intersection-over-Union(Pseudo-IoU): アンカーフリーなオブジェクト検出フレームワークに、より標準化され、正確な割り当てルールをもたらす単純なメトリックである。本手法はベルやホイッスルを使わずに最新のアンカーフリー手法と同等の性能を実現する。
論文参考訳（メタデータ） (2021-04-29T02:48:47Z)
Robust Object Detection via Instance-Level Temporal Cycle Confusion [89.1027433760578]
物体検出器の分布外一般化を改善するための補助的自己監視タスクの有効性を検討する。最大エントロピーの原理に触発されて,新しい自己監督タスクであるインスタンスレベル時間サイクル混乱(cycconf)を導入する。それぞれのオブジェクトに対して、タスクは、ビデオ内の隣接するフレームで最も異なるオブジェクトの提案を見つけ、自己スーパービジョンのために自分自身にサイクルバックすることです。
論文参考訳（メタデータ） (2021-04-16T21:35:08Z)
Slender Object Detection: Diagnoses and Improvements [74.40792217534]
本稿では,超高アスペクト比,すなわちtextbfslender オブジェクトの特定タイプの検出について検討する。古典的物体検出法では、細い物体に対してのみ評価される場合、COCO上の18.9%のmAPの劇的な低下が観察される。
論文参考訳（メタデータ） (2020-11-17T09:39:42Z)
Online Monitoring of Object Detection Performance During Deployment [6.166295570030645]
入力フレームのスライディングウィンドウ上での平均平均精度(mAP)を予測し,対象検出器の性能を監視するカスケードニューラルネットワークを提案する。我々は、自律走行データセットと物体検出装置の異なる組み合わせを用いて、提案手法の評価を行った。
論文参考訳（メタデータ） (2020-11-16T07:01:43Z)
Multivariate Confidence Calibration for Object Detection [7.16879432974126]
本稿では,物体検出手法の偏りのある信頼度推定を計測・校正するための新しい枠組みを提案する。提案手法により,画像位置とボックススケールに対する補正された信頼度推定値が得られた。提案手法は,物体検出タスクにおける最先端キャリブレーションモデルよりも優れていることを示す。
論文参考訳（メタデータ） (2020-04-28T14:17:41Z)

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。