論文の概要: Reliability in Semantic Segmentation: Can We Use Synthetic Data?
- arxiv url: http://arxiv.org/abs/2312.09231v1
- Date: Thu, 14 Dec 2023 18:56:07 GMT
- ステータス: 処理完了
- システム内更新日: 2023-12-15 20:29:22.473255
- Title: Reliability in Semantic Segmentation: Can We Use Synthetic Data?
- Title(参考訳): セマンティックセグメンテーションにおける信頼性:合成データの利用は可能か?
- Authors: Thibaut Loiseau, Tuan-Hung Vu, Mickael Chen, Patrick P\'erez and
Matthieu Cord
- Abstract要約: 本稿では,セマンティックセグメンテーションにおける信頼性を評価するために,データの自動合成を行う最先端生成モデルに挑戦する。
安定拡散を微調整することにより、OODドメインやOODオブジェクトに塗布された合成データのゼロショット生成を行う。
我々は,合成データの性能と実OODデータの性能との間に高い相関関係を示し,妥当性を示す。
- 参考スコア(独自算出の注目度): 52.5766244206855
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Assessing the reliability of perception models to covariate shifts and
out-of-distribution (OOD) detection is crucial for safety-critical applications
such as autonomous vehicles. By nature of the task, however, the relevant data
is difficult to collect and annotate. In this paper, we challenge cutting-edge
generative models to automatically synthesize data for assessing reliability in
semantic segmentation. By fine-tuning Stable Diffusion, we perform zero-shot
generation of synthetic data in OOD domains or inpainted with OOD objects.
Synthetic data is employed to provide an initial assessment of pretrained
segmenters, thereby offering insights into their performance when confronted
with real edge cases. Through extensive experiments, we demonstrate a high
correlation between the performance on synthetic data and the performance on
real OOD data, showing the validity approach. Furthermore, we illustrate how
synthetic data can be utilized to enhance the calibration and OOD detection
capabilities of segmenters.
- Abstract(参考訳): 知覚モデルの信頼性を評価することは、自動運転車のような安全クリティカルな応用のために重要である。
しかし、タスクの性質上、関連するデータは収集や注釈が難しい。
本稿では,セマンティクスセグメンテーションにおける信頼性評価のためのデータを自動合成するために,最先端生成モデルに挑戦する。
安定拡散を微調整することにより、OODドメインやOODオブジェクトに塗布された合成データのゼロショット生成を行う。
合成データは、事前訓練されたセグメンタの初期評価を提供することで、実際のエッジケースに直面した際のパフォーマンスに関する洞察を提供する。
大規模な実験を通じて,合成データの性能と実OODデータの性能との間に高い相関関係を示し,妥当性を示す。
さらに,セグメンタのキャリブレーションとOOD検出能力を高めるために,合成データを利用する方法についても述べる。
関連論文リスト
- Instance-Level Safety-Aware Fidelity of Synthetic Data and Its
Calibration [5.719926453178537]
視覚的な入力特性を超越した4種類のインスタンスレベルの忠実度を導入する。
目的は、合成データを現実世界の安全問題と整合させることだ。
論文 参考訳(メタデータ) (2024-02-10T19:45:40Z) - Reimagining Synthetic Tabular Data Generation through Data-Centric AI: A
Comprehensive Benchmark [56.8042116967334]
合成データは、機械学習モデルのトレーニングの代替となる。
合成データが現実世界データの複雑なニュアンスを反映することを保証することは、難しい作業です。
本稿では,データ中心型AI技術の統合による合成データ生成プロセスのガイドの可能性について検討する。
論文 参考訳(メタデータ) (2023-10-25T20:32:02Z) - Synthetic Alone: Exploring the Dark Side of Synthetic Data for
Grammatical Error Correction [5.586798679167892]
データ中心のAIアプローチは、モデルを変更することなく、モデルのパフォーマンスを向上させることを目的としている。
データ品質管理手法は、実世界のデータで訓練されたモデルに肯定的な影響を与える。
合成データのみに基づいて訓練されたモデルでは、負の影響が観測される。
論文 参考訳(メタデータ) (2023-06-26T01:40:28Z) - Synthetic data, real errors: how (not) to publish and use synthetic data [86.65594304109567]
生成過程が下流MLタスクにどのように影響するかを示す。
本稿では、生成プロセスモデルパラメータの後方分布を近似するために、Deep Generative Ensemble (DGE)を導入する。
論文 参考訳(メタデータ) (2023-05-16T07:30:29Z) - Out-of-distribution Detection with Implicit Outlier Transformation [72.73711947366377]
外周露光(OE)は、オフ・オブ・ディストリビューション(OOD)検出において強力である。
我々は,未確認のOOD状況に対してモデルの性能を良くする,新しいOEベースのアプローチを提案する。
論文 参考訳(メタデータ) (2023-03-09T04:36:38Z) - Non-Parametric Outlier Synthesis [35.20765580915213]
アウト・オブ・ディストリビューション(OOD)検出は、機械学習モデルを野生に安全にデプロイするのに不可欠である。
我々は,OOD学習データを生成する新しいフレームワークであるNon-Parametric Outlier Synthesis (NPOS)を提案する。
提案手法は, 数学的にリジェクションサンプリングフレームワークとして解釈できることを示す。
論文 参考訳(メタデータ) (2023-03-06T08:51:00Z) - SynBench: Task-Agnostic Benchmarking of Pretrained Representations using
Synthetic Data [78.21197488065177]
近年、下流のタスクで大規模なデータで事前訓練された微調整大型モデルが成功し、ディープラーニングにおける重要なパラダイムシフトにつながった。
本稿では,合成データを用いて事前学習した表現の質を測定するためのタスク非依存フレームワークであるtextitSynBenchを提案する。
論文 参考訳(メタデータ) (2022-10-06T15:25:00Z) - CAFE: Learning to Condense Dataset by Aligning Features [72.99394941348757]
本稿ではCAFE(Aligning features)によるCondenseデータセットの新しいスキームを提案する。
このアプローチの核心は、さまざまなスケールにわたる実データと合成データから機能を整合させる効果的な戦略です。
提案したCAFEを様々なデータセットで検証し,概ね最先端技術であることを示す。
論文 参考訳(メタデータ) (2022-03-03T05:58:49Z) - Validation of Simulation-Based Testing: Bypassing Domain Shift with
Label-to-Image Synthesis [9.531148049378672]
本稿では,異なる転送可能性尺度とともに生成ラベル-画像合成モデルからなる新しいフレームワークを提案する。
シーンを駆動するセマンティックセグメンテーションタスクにおいて,本手法を実証的に検証する。
後者は実生活と合成テストを区別できるが、前者は自動車と歩行者の両方で0.7の驚くほど強い相関関係を観察する。
論文 参考訳(メタデータ) (2021-06-10T07:23:58Z)
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。