論文の概要: Beyond Classification: Definition and Density-based Estimation of Calibration in Object Detection

• arxiv url: http://arxiv.org/abs/2312.06645v1
• Date: Mon, 11 Dec 2023 18:57:05 GMT
• ステータス: 処理完了
• システム内更新日: 2023-12-12 14:06:35.931184
• Title: Beyond Classification: Definition and Density-based Estimation of Calibration in Object Detection
• Title（参考訳）: beyond classification:定義と密度に基づく物体検出におけるキャリブレーションの推定
• Authors: Teodora Popordanoska, Aleksei Tiulpin, Matthew B. Blaschko
• Abstract要約: 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。
• 参考スコア（独自算出の注目度）: 15.71719154574049
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Despite their impressive predictive performance in various computer vision tasks, deep neural networks (DNNs) tend to make overly confident predictions, which hinders their widespread use in safety-critical applications. While there have been recent attempts to calibrate DNNs, most of these efforts have primarily been focused on classification tasks, thus neglecting DNN-based object detectors. Although several recent works addressed calibration for object detection and proposed differentiable penalties, none of them are consistent estimators of established concepts in calibration. In this work, we tackle the challenge of defining and estimating calibration error specifically for this task. In particular, we adapt the definition of classification calibration error to handle the nuances associated with object detection, and predictions in structured output spaces more generally. Furthermore, we propose a consistent and differentiable estimator of the detection calibration error, utilizing kernel density estimation. Our experiments demonstrate the effectiveness of our estimator against competing train-time and post-hoc calibration methods, while maintaining similar detection performance.
• Abstract（参考訳）: 様々なコンピュータビジョンタスクにおける印象的な予測性能にもかかわらず、ディープニューラルネットワーク(DNN)は過度に自信を持って予測する傾向にあり、安全クリティカルなアプリケーションで広く使われることを妨げている。 近年、DNNを校正する試みがあるが、これらの取り組みの大部分は分類タスクに重点を置いており、DNNベースの物体検出器を無視している。 物体検出のためのキャリブレーションと微分可能なペナルティに関する最近の研究はいくつかあるが、いずれもキャリブレーションにおける確立された概念の一貫した推定者ではない。 本研究では,この課題に特化してキャリブレーション誤差の定義と推定に挑戦する。 特に,分類校正誤差の定義を,オブジェクト検出に関連するニュアンスや,構造化出力空間における予測をより一般的に扱うために適用する。 さらに,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。 本実験は, 同様の検出性能を維持しつつ, 列車時およびポストホックキャリブレーション法に対する推定器の有効性を実証する。

関連論文リスト

• Towards Certification of Uncertainty Calibration under Adversarial Attacks [96.48317453951418]
  攻撃はキャリブレーションを著しく損なう可能性を示し, 対向的摂動下でのキャリブレーションにおける最悪のキャリブレーション境界として認定キャリブレーションを提案する。 我々は,新しいキャリブレーション攻撃を提案し,テクスタディバーショナルキャリブレーショントレーニングによりモデルキャリブレーションを改善する方法を示す。
  論文  参考訳（メタデータ） (2024-05-22T18:52:09Z)
• Calibrated Uncertainty Quantification for Operator Learning via Conformal Prediction [95.75771195913046]
  本稿では, リスク制御型量子ニューラル演算子, 分布のない有限サンプル機能キャリブレーション等式予測法を提案する。 関数領域上の点の期待値として定義されるカバレッジ率に関する理論的キャリブレーションを保証する。 2次元ダーシー流と3次元自動車表面圧力予測タスクに関する実験結果から,我々の理論的結果が検証された。
  論文  参考訳（メタデータ） (2024-02-02T23:43:28Z)
• Cal-DETR: Calibrated Detection Transformer [67.75361289429013]
  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。
  論文  参考訳（メタデータ） (2023-11-06T22:13:10Z)
• Calibration by Distribution Matching: Trainable Kernel Calibration Metrics [56.629245030893685]
  カーネルベースのキャリブレーションメトリクスを導入し、分類と回帰の両方で一般的なキャリブレーションの形式を統一・一般化する。 これらの指標は、異なるサンプル推定を許容しており、キャリブレーションの目的を経験的リスク最小化に組み込むのが容易である。 決定タスクにキャリブレーションメトリクスを調整し、正確な損失推定を行ない、後悔しない決定を行うための直感的なメカニズムを提供する。
  論文  参考訳（メタデータ） (2023-10-31T06:19:40Z)
• 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)
• A Review of Uncertainty Calibration in Pretrained Object Detectors [5.440028715314566]
  多クラス設定における事前訓練対象検出アーキテクチャの不確実性校正特性について検討する。 公平でバイアスのない,繰り返し可能な評価を実現するためのフレームワークを提案する。 検出器のキャリブレーションが低い理由について、新しい知見を提供する。
  論文  参考訳（メタデータ） (2022-10-06T14:06:36Z)
• Confidence Calibration for Object Detection and Segmentation [6.700433100198165]
  本章では,物体検出とセグメンテーションモデルのための信頼性校正について検討する。 本稿では,よく知られたキャリブレーション手法の拡張である多変量信頼度キャリブレーションの概念を紹介する。 本研究では,特にオブジェクト検出とインスタンス分割モデルが本質的に誤校正されていることを示す。
  論文  参考訳（メタデータ） (2022-02-25T15:59:51Z)
• Calibration of Neural Networks using Splines [51.42640515410253]
  キャリブレーション誤差の測定は、2つの経験的分布を比較します。 古典的コルモゴロフ・スミルノフ統計テスト(KS)にインスパイアされたビンニングフリーキャリブレーション尺度を導入する。 提案手法は,KS誤差に対する既存の手法と,他の一般的なキャリブレーション手法とを一貫して比較する。
  論文  参考訳（メタデータ） (2020-06-23T07:18:05Z)
• 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。