論文の概要: Do We Still Need Non-Maximum Suppression? Accurate Confidence Estimates
and Implicit Duplication Modeling with IoU-Aware Calibration
- arxiv url: http://arxiv.org/abs/2309.03110v1
- Date: Wed, 6 Sep 2023 15:47:33 GMT
- ステータス: 処理完了
- システム内更新日: 2023-09-07 14:44:46.713027
- Title: Do We Still Need Non-Maximum Suppression? Accurate Confidence Estimates
and Implicit Duplication Modeling with IoU-Aware Calibration
- Title（参考訳）: 最大でない抑制はいまだ必要か?
IoU-Aware Calibrationによる正確な信頼度推定と暗黙重複モデリング
- Authors: Johannes Gilg and Torben Teepe and Fabian Herzog and Philipp Wolters
and Gerhard Rigoll
- Abstract要約: IoUキャリブレーションを用いることで,従来のNMSスタイルのポストプロセッシングを除去できることを示す。
IoU対応キャリブレーションは条件付きベータキャリブレーションである。
実験の結果,提案したIoUキャリブレーションは重複検出のモデル化に成功していることがわかった。
- 参考スコア（独自算出の注目度）: 6.093524345727119
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Object detectors are at the heart of many semi- and fully autonomous decision
systems and are poised to become even more indispensable. They are, however,
still lacking in accessibility and can sometimes produce unreliable
predictions. Especially concerning in this regard are the -- essentially
hand-crafted -- non-maximum suppression algorithms that lead to an obfuscated
prediction process and biased confidence estimates. We show that we can
eliminate classic NMS-style post-processing by using IoU-aware calibration.
IoU-aware calibration is a conditional Beta calibration; this makes it
parallelizable with no hyper-parameters. Instead of arbitrary cutoffs or
discounts, it implicitly accounts for the likelihood of each detection being a
duplicate and adjusts the confidence score accordingly, resulting in
empirically based precision estimates for each detection. Our extensive
experiments on diverse detection architectures show that the proposed IoU-aware
calibration can successfully model duplicate detections and improve
calibration. Compared to the standard sequential NMS and calibration approach,
our joint modeling can deliver performance gains over the best NMS-based
alternative while producing consistently better-calibrated confidence
predictions with less complexity. The
\hyperlink{https://github.com/Blueblue4/IoU-AwareCalibration}{code} for all our
experiments is publicly available.
- Abstract（参考訳）: 物体検出器は、多くの半自律的な意思決定システムの中心にあり、さらに必要不可欠なものになりつつある。
しかし、それらはまだアクセシビリティに欠けており、信頼できない予測を生じることがある。
特にこの点に関しては、基本的に手作りの--非最大抑圧アルゴリズムは、難解な予測プロセスと偏りのある信頼推定につながる。
IoUキャリブレーションを用いることで,従来のNMSスタイルのポストプロセッシングを除去できることを示す。
IoU対応キャリブレーションは条件付きベータキャリブレーションであり、ハイパーパラメータなしで並列化可能である。
任意のカットオフや割引の代わりに、各検出が重複している可能性を暗黙的に説明し、それに応じて信頼度を調整し、その結果、各検出に対して実験的に精度推定を行う。
多様な検出アーキテクチャに関する広範な実験により、提案したIoU対応キャリブレーションが重複検出をモデル化し、キャリブレーションを改善することができた。
標準シーケンシャルnmsおよびキャリブレーションアプローチと比較して、我々のジョイントモデリングは、最も優れたnmsベースの代替品よりもパフォーマンスが向上すると同時に、より少ない複雑さで一貫してよりよく調整された信頼度予測を実現できる。
すべての実験に対する \hyperlink{https://github.com/Blueblue4/IoU-AwareCalibration}{code} が公開されている。
関連論文リスト
- A Confidence Interval for the $\ell_2$ Expected Calibration Error [35.88784957918326]
我々は信頼区間を$ell$ expected the Error (ECE) で開発する。
信頼性キャリブレーションの一般的な概念とキャリブレーションの両方を含む,トップ1からk$のキャリブレーションを考える。
ECEのデバイアスド推定器では、正規性を示すが、校正モデルとミスドモデルに対する収束率と分散は異なる。
論文 参考訳（メタデータ） (2024-08-16T20:00:08Z) - Calibrating Large Language Models with Sample Consistency [76.23956851098598]
本稿では,複数サンプルモデル生成系の分布から信頼度を導出する可能性について,一貫性の3つの尺度を用いて検討する。
その結果、一貫性に基づくキャリブレーション手法は、既存のポストホック手法よりも優れていることがわかった。
種々のLMの特性に合わせて,キャリブレーションに適した整合性指標を選択するための実用的なガイダンスを提供する。
論文 参考訳（メタデータ） (2024-02-21T16:15:20Z) - 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) - Two Sides of Miscalibration: Identifying Over and Under-Confidence
Prediction for Network Calibration [1.192436948211501]
安全クリティカルなタスクにおける信頼性予測には、ディープニューラルネットワークの信頼性校正が不可欠である。
ミススキャリブレーションは、過信と/または過信をモデル化する。
校正点とクラス別校正点を同定するために,新しい校正点である校正点を導入する。
クラスワイドの誤校正スコアをプロキシとして使用して,過度かつ過度に対処可能な校正手法を設計する。
論文 参考訳（メタデータ） (2023-08-06T17:59:14Z) - 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) - Sharp Calibrated Gaussian Processes [58.94710279601622]
キャリブレーションされたモデルを設計するための最先端のアプローチは、ガウス過程の後方分散を膨らませることに依存している。
本稿では,バニラガウス過程の後方分散にインスパイアされた計算を用いて,予測量子化を生成するキャリブレーション手法を提案する。
我々のアプローチは合理的な仮定の下で校正されたモデルが得られることを示す。
論文 参考訳（メタデータ） (2023-02-23T12:17:36Z) - Sample-dependent Adaptive Temperature Scaling for Improved Calibration [95.7477042886242]
ニューラルネットワークの誤りを補うポストホックアプローチは、温度スケーリングを実行することだ。
入力毎に異なる温度値を予測し、信頼度と精度のミスマッチを調整することを提案する。
CIFAR10/100およびTiny-ImageNetデータセットを用いて,ResNet50およびWideResNet28-10アーキテクチャ上で本手法をテストする。
論文 参考訳（メタデータ） (2022-07-13T14:13:49Z) - T-Cal: An optimal test for the calibration of predictive models [49.11538724574202]
有限検証データセットを用いた予測モデルの誤校正を仮説検証問題として検討する。
誤校正の検出は、クラスの条件付き確率が予測の十分滑らかな関数である場合にのみ可能である。
我々は、$ell$-Expected Error(ECE)のデバイアスドプラグイン推定器に基づくキャリブレーションのためのミニマックステストであるT-Calを提案する。
論文 参考訳（メタデータ） (2022-03-03T16:58:54Z) - MBCT: Tree-Based Feature-Aware Binning for Individual Uncertainty
Calibration [29.780204566046503]
我々はMultiple Boosting Trees (MBCT)と呼ばれる特徴認識型バイナリフレームワークを提案する。
MBCTは非単調であり,学習可能なビンニング方式と個々のキャリブレーションにより,順序精度が向上する可能性がある。
その結果,本手法はキャリブレーション誤差と順序精度の両方で競合するモデルよりも優れていることがわかった。
論文 参考訳（メタデータ） (2022-02-09T08:59:16Z) - Bayesian Confidence Calibration for Epistemic Uncertainty Modelling [4.358626952482686]
キャリブレーション法の不確実性を考慮した信頼度推定手法を提案する。
物体検出校正のための最先端校正性能を実現する。
論文 参考訳（メタデータ） (2021-09-21T10:53:16Z) - 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)
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。