論文の概要: Out-of-Distribution Detection for Monocular Depth Estimation

• arxiv url: http://arxiv.org/abs/2308.06072v1
• Date: Fri, 11 Aug 2023 11:25:23 GMT
• ステータス: 処理完了
• システム内更新日: 2023-08-14 14:14:23.060823
• Title: Out-of-Distribution Detection for Monocular Depth Estimation
• Title（参考訳）: 単眼深度推定のための分布外検出
• Authors: Julia Hornauer and Adrian Holzbock and Vasileios Belagiannis
• Abstract要約: 異常検出により,エンコーダ・デコーダ深度推定モデルからOOD画像を検出することを提案する。 我々は,標準のNYU Depth V2とKITTIベンチマークを分散データとして構築した。
• 参考スコア（独自算出の注目度）: 4.873593653200759
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: In monocular depth estimation, uncertainty estimation approaches mainly target the data uncertainty introduced by image noise. In contrast to prior work, we address the uncertainty due to lack of knowledge, which is relevant for the detection of data not represented by the training distribution, the so-called out-of-distribution (OOD) data. Motivated by anomaly detection, we propose to detect OOD images from an encoder-decoder depth estimation model based on the reconstruction error. Given the features extracted with the fixed depth encoder, we train an image decoder for image reconstruction using only in-distribution data. Consequently, OOD images result in a high reconstruction error, which we use to distinguish between in- and out-of-distribution samples. We built our experiments on the standard NYU Depth V2 and KITTI benchmarks as in-distribution data. Our post hoc method performs astonishingly well on different models and outperforms existing uncertainty estimation approaches without modifying the trained encoder-decoder depth estimation model.
• Abstract（参考訳）: 単眼深度推定では、不確かさ推定手法は主に画像雑音によるデータ不確かさを対象とする。 先行研究とは対照的に, 知識不足による不確実性に対処し, トレーニング分布に代表されないデータ, いわゆるout-of-distribution (ood) データの検出に関係している。 異常検出を動機とし,再構成誤差に基づくエンコーダ・デコーダ深さ推定モデルからood画像の検出を提案する。 固定深度エンコーダを用いて抽出した特徴を考慮し,分布内データのみを用いて画像再構成のための画像デコーダを訓練する。 その結果,OOD画像は高い再構成誤差となり,分布内サンプルと分布外サンプルを区別する。 我々は、標準のNYU Depth V2とKITTIベンチマークを分散データとして構築した。 ポストホック法は,異なるモデルに対して驚くほど良好に動作し,訓練されたエンコーダ・デコーダ深さ推定モデルを変更することなく,既存の不確実性推定手法を上回っている。

関連論文リスト

• Single Image Depth Prediction Made Better: A Multivariate Gaussian Take [163.14849753700682]
  本稿では,画素ごとの深度を連続的にモデル化する手法を提案する。 提案手法の精度(MG)は,KITTI深度予測ベンチマークリーダーボードの上位に位置する。
  論文  参考訳（メタデータ） (2023-03-31T16:01:03Z)
• Gradient-based Uncertainty for Monocular Depth Estimation [5.7575052885308455]
  単眼深度推定では、移動物体や反射材料のような画像コンテキストの乱れは、容易に誤った予測につながる。 本稿では,すでに訓練済みで固定された深度推定モデルに対するポストホック不確実性推定手法を提案する。 提案手法は,ニューラルネットワークの再トレーニングを必要とせずに,KITTI と NYU Depth V2 ベンチマークにおける最先端の不確実性推定結果を実現する。
  論文  参考訳（メタデータ） (2022-08-03T12:21:02Z)
• Conditional Variational Autoencoder for Learned Image Reconstruction [5.487951901731039]
  本研究では,未知画像の後部分布を問合せ観測で近似する新しいフレームワークを開発する。 暗黙のノイズモデルと先行処理を処理し、データ生成プロセス(フォワード演算子)を組み込み、学習された再構成特性は異なるデータセット間で転送可能である。
  論文  参考訳（メタデータ） (2021-10-22T10:02:48Z)
• Towards Interpretable Ensemble Learning for Image-based Malware Detection [4.721069729610892]
  本論文では,画像に基づくマルウェア検出のための相互理解型アンサンブル学習手法の設計を目的とする。 実験の結果、iemdは99.87%まで検出精度が向上し、高い精度の予測結果が得られた。
  論文  参考訳（メタデータ） (2021-01-13T05:46:44Z)
• Variational Monocular Depth Estimation for Reliability Prediction [12.951621755732544]
  教師付き学習手法の代替として,単眼深度推定のための自己教師付き学習が広く研究されている。 従来はモデル構造の変更による深度推定の精度向上に成功している。 本稿では, 単眼深度推定のための変分モデルを理論的に定式化し, 推定深度画像の信頼性を推定する。
  論文  参考訳（メタデータ） (2020-11-24T06:23:51Z)
• Quantifying Sources of Uncertainty in Deep Learning-Based Image Reconstruction [5.129343375966527]
  本稿では,学習反復画像再構成におけるアレタリックおよびエピステマティック不確かさを同時に定量化する,スケーラブルで効率的なフレームワークを提案する。 本手法は,スパークビューと制限角度データの両方を用いて,従来の計算トモグラフィーのベンチマークと競合する性能を示す。
  論文  参考訳（メタデータ） (2020-11-17T04:12:52Z)
• Adaptive confidence thresholding for monocular depth estimation [83.06265443599521]
  本稿では,自己教師付ステレオマッチング法から生成されたステレオ画像の擬似地上真実深度マップを利用する新しい手法を提案する。 擬似地底深度マップの信頼度マップを推定し、不正確な擬似地底深度マップによる性能劣化を緩和する。 実験結果から, 最先端の単分子深度推定法よりも優れた性能を示した。
  論文  参考訳（メタデータ） (2020-09-27T13:26:16Z)
• Improved Slice-wise Tumour Detection in Brain MRIs by Computing Dissimilarities between Latent Representations [68.8204255655161]
  磁気共鳴画像(MRI)の異常検出は教師なし手法で行うことができる。 本研究では,変分オートエンコーダの潜伏空間における相似関数の計算に基づいて,腫瘍検出のためのスライスワイズ半教師法を提案する。 本研究では,高解像度画像上でのモデルをトレーニングし,再現の質を向上させることにより,異なるベースラインに匹敵する結果が得られることを示す。
  論文  参考訳（メタデータ） (2020-07-24T14:02:09Z)
• NADS: Neural Architecture Distribution Search for Uncertainty Awareness [79.18710225716791]
  機械学習(ML)システムは、トレーニングデータとは異なるディストリビューションから来るテストデータを扱う場合、しばしばOoD(Out-of-Distribution)エラーに遭遇する。 既存のOoD検出アプローチはエラーを起こしやすく、時にはOoDサンプルに高い確率を割り当てることもある。 本稿では,すべての不確実性を考慮したアーキテクチャの共通構築ブロックを特定するために,ニューラルアーキテクチャ分布探索(NADS)を提案する。
  論文  参考訳（メタデータ） (2020-06-11T17:39:07Z)
• Data Consistent CT Reconstruction from Insufficient Data with Learned Prior Images [70.13735569016752]
  偽陰性病変と偽陽性病変を呈示し,CT画像再構成における深層学習の堅牢性について検討した。 本稿では,圧縮センシングと深層学習の利点を組み合わせた画像品質向上のためのデータ一貫性再構築手法を提案する。 提案手法の有効性は,円錐ビームCTにおいて,トランキャットデータ,リミテッドアングルデータ,スパースビューデータで示される。
  論文  参考訳（メタデータ） (2020-05-20T13:30:49Z)
• Uncertainty Estimation Using a Single Deep Deterministic Neural Network [66.26231423824089]
  本稿では,1回のフォワードパスで,テスト時に分布データポイントの発見と拒否が可能な決定論的ディープモデルを訓練する手法を提案する。 我々は,新しい損失関数とセントロイド更新方式を用いて,これらをスケールトレーニングし,ソフトマックスモデルの精度に適合させる。
  論文  参考訳（メタデータ） (2020-03-04T12:27:36Z)

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。