論文の概要: Risk Controlled Image Retrieval

• arxiv url: http://arxiv.org/abs/2307.07336v1
• Date: Fri, 14 Jul 2023 13:31:00 GMT
• ステータス: 処理完了
• システム内更新日: 2023-07-17 13:52:40.609223
• Title: Risk Controlled Image Retrieval
• Title（参考訳）: リスク制御画像検索
• Authors: Kaiwen Cai, Chris Xiaoxuan Lu, Xingyu Zhao, Xiaowei Huang
• Abstract要約: リスク制御画像検索(RCIR)は、予め定義された確率で、基底真理サンプルを含むことが保証される検索セットを生成する。 RCIRは任意の画像検索手法に簡単に接続でき、データ分布やモデル選択に依存しない。
• 参考スコア（独自算出の注目度）: 10.667985253435537
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: Most image retrieval research focuses on improving predictive performance, but they may fall short in scenarios where the reliability of the prediction is crucial. Though uncertainty quantification can help by assessing uncertainty for query and database images, this method can provide only a heuristic estimate rather than an guarantee. To address these limitations, we present Risk Controlled Image Retrieval (RCIR), which generates retrieval sets that are guaranteed to contain the ground truth samples with a predefined probability. RCIR can be easily plugged into any image retrieval method, agnostic to data distribution and model selection. To the best of our knowledge, this is the first work that provides coverage guarantees for image retrieval. The validity and efficiency of RCIR is demonstrated on four real-world image retrieval datasets, including the Stanford CAR-196 (Krause et al. 2013), CUB-200 (Wah et al. 2011), the Pittsburgh dataset (Torii et al. 2013) and the ChestX-Det dataset (Lian et al. 2021).
• Abstract（参考訳）: ほとんどの画像検索研究は予測性能の向上に重点を置いているが、予測の信頼性が重要なシナリオでは不足する可能性がある。 不確実性定量化は、クエリやデータベース画像の不確実性を評価するのに役立つが、この手法は保証ではなくヒューリスティックな推定のみを提供することができる。 これらの制約に対処するため,リスク制御画像検索(RCIR)を提案する。 RCIRは任意の画像検索手法に簡単に接続でき、データ分布やモデル選択に依存しない。 私たちの知る限りでは、これは画像検索のカバレッジ保証を提供する最初の仕事です。 RCIRの有効性と効率は、Stanford CAR-196(Krause et al. 2013)、CUB-200(Wah et al. 2011)、ピッツバーグデータセット(Torii et al. 2013)、チェストX-Detデータセット(Lian et al. 2021)の4つの実世界の画像検索データセットで実証されている。

関連論文リスト

• Gallery-Aware Uncertainty Estimation For Open-Set Face Recognition [2.6862667248315386]
  オープンセットの顔認識では、画像の分類を試みるが、それは未知の場合もある。 ここでは、確率的埋め込みの低分散は、低い誤差確率を含まない。 オープンセット認識システムにおける2つの曖昧さの源泉を認識する手法を提案する。
  論文  参考訳（メタデータ） (2024-08-26T12:44:17Z)
• X-Fake: Juggling Utility Evaluation and Explanation of Simulated SAR Images [49.546627070454456]
  実データと模擬データの分散不整合性は、シミュレーションSAR画像の有用性に影響を与える主な障害である。 本稿では,X-Fake で表されるSAR画像の擬似的な説明を初めて行うことで,信頼性の高い実用性評価フレームワークを提案する。 提案手法は、電磁モデルから得られた4つのシミュレーションSAR画像データセットと、生成人工知能アプローチに基づいて検証される。
  論文  参考訳（メタデータ） (2024-07-28T09:27:53Z)
• On the Estimation of Image-matching Uncertainty in Visual Place Recognition [7.769607568805291]
  ビジュアルプレース認識(VPR)では、画像と参照画像のマップと既知の参照ポーズとを比較して、クエリ画像のポーズを推定する。 この研究は、画像マッチングの不確実性を推定するための主要なアプローチを初めて比較した。 簡単なベースライン法であるSUE'を定式化し、他の方法と異なり、地図上の参照画像の自由なポーズを考える。
  論文  参考訳（メタデータ） (2024-03-31T03:24:48Z)
• Modeling uncertainty for Gaussian Splatting [21.836830270709]
  ガウススティング(GS)を用いた不確実性推定のための最初のフレームワークを提案する。 本稿では,不確実性予測をGSの共通レンダリングパイプラインにシームレスに統合する,変分推論に基づくアプローチを提案する。 また、損失関数の新たな用語としてAUSE(Area Under Sparsification Error)を導入し、画像再構成とともに不確実性推定の最適化を可能にする。
  論文  参考訳（メタデータ） (2024-03-27T11:45:08Z)
• Instant Uncertainty Calibration of NeRFs Using a Meta-calibrator [60.47106421809998]
  我々は,1つの前方パスを持つNeRFに対して不確実な校正を行うメタ校正器の概念を導入する。 メタキャリブレータは、見えないシーンを一般化し、NeRFの良好な校正と最先端の不確実性を実現できることを示す。
  論文  参考訳（メタデータ） (2023-12-04T21:29:31Z)
• Recursively Feasible Probabilistic Safe Online Learning with Control Barrier Functions [60.26921219698514]
  CBFをベースとした安全クリティカルコントローラのモデル不確実性を考慮した再構成を提案する。 次に、結果の安全制御器のポイントワイズ実現可能性条件を示す。 これらの条件を利用して、イベントトリガーによるオンラインデータ収集戦略を考案する。
  論文  参考訳（メタデータ） (2022-08-23T05:02:09Z)
• Stochastic Attribute Modeling for Face Super-Resolution [23.30144908939099]
  高分解能(HR)画像が低分解能(LR)画像に分解されると、画像は既存の情報の一部を失う。 既存の手法のほとんどは、属性によって引き起こされる不確実性を考慮しておらず、確率論的に推測できるだけである。 本稿では,モデリングによる不確実性を考慮した新しい顔超解像(SR)手法を提案する。
  論文  参考訳（メタデータ） (2022-07-16T13:38:05Z)
• Uncertainty-aware GAN with Adaptive Loss for Robust MRI Image Enhancement [3.222802562733787]
  条件付き生成逆数ネットワーク (GAN) は, 画像-画像-画像マッピングの学習において, 性能が向上している。 本稿では,(i)OODノイズデータに対するロバスト性を考慮した適応損失関数をモデル化し,(ii)予測におけるボクセル当たりの不確かさを推定するGANベースのフレームワークを提案する。 医用画像における2つの重要な応用として, (i) 磁気共鳴画像(MRI) 再構成 (ii) MRI のモダリティ伝搬について検討した。
  論文  参考訳（メタデータ） (2021-10-07T11:29:03Z)
• Risk Minimization from Adaptively Collected Data: Guarantees for Supervised and Policy Learning [57.88785630755165]
  経験的リスク最小化(Empirical Risk Minimization, ERM)は、機械学習のワークホースであるが、適応的に収集されたデータを使用すると、そのモデルに依存しない保証が失敗する可能性がある。 本研究では,仮説クラス上での損失関数の平均値を最小限に抑えるため,適応的に収集したデータを用いた一般的な重み付きERMアルゴリズムについて検討する。 政策学習では、探索がゼロになるたびに既存の文献のオープンギャップを埋める率-最適後悔保証を提供する。
  論文  参考訳（メタデータ） (2021-06-03T09:50:13Z)
• Learning Uncertainty For Safety-Oriented Semantic Segmentation In Autonomous Driving [77.39239190539871]
  自律運転における安全クリティカル画像セグメンテーションを実現するために、不確実性推定をどのように活用できるかを示す。 相似性関数によって測定された不一致予測に基づく新しい不確実性尺度を導入する。 本研究では,提案手法が競合手法よりも推論時間において計算集約性が低いことを示す。
  論文  参考訳（メタデータ） (2021-05-28T09:23:05Z)
• Evaluating probabilistic classifiers: Reliability diagrams and score decompositions revisited [68.8204255655161]
  確率的に統計的に一貫性があり、最適に結合し、再現可能な信頼性図を自動生成するCORP手法を導入する。 コーパスは非パラメトリックアイソトニック回帰に基づいており、プール・アジャセント・ヴァイオレータ(PAV)アルゴリズムによって実装されている。
  論文  参考訳（メタデータ） (2020-08-07T08:22:26Z)

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。