論文の概要: Cal-DETR: Calibrated Detection Transformer

• arxiv url: http://arxiv.org/abs/2311.03570v1
• Date: Mon, 6 Nov 2023 22:13:10 GMT
• ステータス: 処理完了
• システム内更新日: 2023-11-08 17:40:39.716542
• Title: Cal-DETR: Calibrated Detection Transformer
• Title（参考訳）: Cal-DETR:校正検出変換器
• Authors: Muhammad Akhtar Munir, Salman Khan, Muhammad Haris Khan, Mohsen Ali, Fahad Shahbaz Khan
• Abstract要約: 本稿では,Deformable-DETR,UP-DETR,DINOのキャリブレーション検出トランス(Cal-DETR)のメカニズムを提案する。 我々は、不確実性を利用してクラスロジットを変調する不確実性誘導ロジット変調機構を開発する。 その結果、Cal-DETRは、ドメイン内およびドメイン外の両方を校正する競合する列車時間法に対して有効であることがわかった。
• 参考スコア（独自算出の注目度）: 67.75361289429013
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Albeit revealing impressive predictive performance for several computer vision tasks, deep neural networks (DNNs) are prone to making overconfident predictions. This limits the adoption and wider utilization of DNNs in many safety-critical applications. There have been recent efforts toward calibrating DNNs, however, almost all of them focus on the classification task. Surprisingly, very little attention has been devoted to calibrating modern DNN-based object detectors, especially detection transformers, which have recently demonstrated promising detection performance and are influential in many decision-making systems. In this work, we address the problem by proposing a mechanism for calibrated detection transformers (Cal-DETR), particularly for Deformable-DETR, UP-DETR and DINO. We pursue the train-time calibration route and make the following contributions. First, we propose a simple yet effective approach for quantifying uncertainty in transformer-based object detectors. Second, we develop an uncertainty-guided logit modulation mechanism that leverages the uncertainty to modulate the class logits. Third, we develop a logit mixing approach that acts as a regularizer with detection-specific losses and is also complementary to the uncertainty-guided logit modulation technique to further improve the calibration performance. Lastly, we conduct extensive experiments across three in-domain and four out-domain scenarios. Results corroborate the effectiveness of Cal-DETR against the competing train-time methods in calibrating both in-domain and out-domain detections while maintaining or even improving the detection performance. Our codebase and pre-trained models can be accessed at \url{https://github.com/akhtarvision/cal-detr}.
• Abstract（参考訳）: いくつかのコンピュータビジョンタスクで印象的な予測性能を示す一方で、ディープニューラルネットワーク(dnn)は自信過剰な予測を行う傾向がある。 これにより、多くの安全クリティカルなアプリケーションでDNNの採用と利用が制限される。 近年ではDNNの校正への取り組みも行われているが、ほとんど全てが分類作業に重点を置いている。 驚くべきことに、現代のDNNベースの物体検出器、特に検出変換器の校正にはほとんど注意が払われていない。 本稿では,特にDeformable-DETR,UP-DETR,DINOのキャリブレーション検出トランス(Cal-DETR)のメカニズムを提案する。 我々は、列車時の校正経路を追求し、以下の貢献をする。 まず,変圧器を用いた物体検出装置における不確かさを定量化する手法を提案する。 次に,不確実性を利用してクラスロジットを変調する不確実性誘導ロジット変調機構を開発する。 第3に,検出固有の損失の正規化器として機能するロジット混合手法を開発し,不確実性誘導ロジット変調手法を補完してキャリブレーション性能をさらに向上させる。 最後に、私たちは3つのドメイン内と4つのドメイン外シナリオにまたがる広範な実験を行います。 その結果,cal-detrは,検出性能を維持したり改善したりしながら,領域内および領域外検出のキャリブレーションにおいて,競合する列車時間法に対して有効であることがわかった。 私たちのコードベースと事前トレーニングされたモデルは、 \url{https://github.com/akhtarvision/cal-detr}でアクセスできます。

関連論文リスト

• On Calibration of Object Detectors: Pitfalls, Evaluation and Baselines [15.306933156466522]
  オブジェクト検出器の信頼性の高い使用には、それらを校正する必要がある。 最近のアプローチでは、スクラッチからそれらを訓練して校正された検出器を得るために、新しい損失関数を設計する。 対象検出器の校正と精度を共同で測定する原理的評価フレームワークを提案する。
  論文  参考訳（メタデータ） (2024-05-30T20:12:14Z)
• Beyond Classification: Definition and Density-based Estimation of Calibration in Object Detection [15.71719154574049]
  我々はディープニューラルネットワーク(DNN)の校正誤差の定義と推定に挑戦する。 特に,物体検出に伴うニュアンスに対処するため,分類校正誤差の定義に適応する。 カーネル密度推定を用いた検出校正誤差の一貫した微分可能な推定器を提案する。
  論文  参考訳（メタデータ） (2023-12-11T18:57:05Z)
• Rank-DETR for High Quality Object Detection [52.82810762221516]
  高性能なオブジェクト検出器は、バウンディングボックス予測の正確なランキングを必要とする。 本研究では, 簡易かつ高性能なDETR型物体検出器について, 一連のランク指向設計を提案して紹介する。
  論文  参考訳（メタデータ） (2023-10-13T04:48:32Z)
• Multiclass Confidence and Localization Calibration for Object Detection [4.119048608751183]
  ディープニューラルネットワーク(DNN)は、過信的な予測を行う傾向があり、調整が不十分である。 本稿では,現代の物体検出手法を校正するための新しい列車時手法を提案する。
  論文  参考訳（メタデータ） (2023-06-14T06:14:16Z)
• 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)
• Towards Improving Calibration in Object Detection Under Domain Shift [9.828212203380133]
  本研究では、現在の物体検出モデルの校正について、特にドメインシフト下で検討する。 物体検出のためのプラグアンドプレイ列車時キャリブレーション損失を導入する。 第二に、一般的に使われている自己学習型ドメイン適応検出器を暗黙的に校正できる物体検出のための新しい不確実性機構を考案する。
  論文  参考訳（メタデータ） (2022-09-15T20:32:28Z)
• 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)
• Rethinking Transformer-based Set Prediction for Object Detection [57.7208561353529]
  実験の結果,提案手法は元のDETRよりもはるかに高速に収束するだけでなく,検出精度の点でDTRや他のベースラインよりも優れていた。
  論文  参考訳（メタデータ） (2020-11-21T21:59:42Z)
• SADet: Learning An Efficient and Accurate Pedestrian Detector [68.66857832440897]
  本稿では,一段検出器の検出パイプラインに対する一連の最適化手法を提案する。 効率的な歩行者検出のための単発アンカーベース検出器(SADet)を形成する。 構造的には単純だが、VGA解像度の画像に対して最先端の結果と20ドルFPSのリアルタイム速度を示す。
  論文  参考訳（メタデータ） (2020-07-26T12:32:38Z)

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。