論文の概要: Do Object Detection Localization Errors Affect Human Performance and Trust?

• arxiv url: http://arxiv.org/abs/2401.17821v1
• Date: Wed, 31 Jan 2024 13:24:51 GMT
• ステータス: 処理完了
• システム内更新日: 2024-02-01 14:41:44.700028
• Title: Do Object Detection Localization Errors Affect Human Performance and Trust?
• Title（参考訳）: オブジェクト検出のローカライズエラーは人間のパフォーマンスと信頼に影響するか?
• Authors: Sven de Witte, Ombretta Strafforello, Jan van Gemert
• Abstract要約: 境界ボックスはしばしば、自動的な物体検出結果を人間に伝えるために使われる。 本研究では,境界ボックスの局所化誤差とヒューマンタスク性能の関係について検討する。
• 参考スコア（独自算出の注目度）: 9.442811508809996
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Bounding boxes are often used to communicate automatic object detection results to humans, aiding humans in a multitude of tasks. We investigate the relationship between bounding box localization errors and human task performance. We use observer performance studies on a visual multi-object counting task to measure both human trust and performance with different levels of bounding box accuracy. The results show that localization errors have no significant impact on human accuracy or trust in the system. Recall and precision errors impact both human performance and trust, suggesting that optimizing algorithms based on the F1 score is more beneficial in human-computer tasks. Lastly, the paper offers an improvement on bounding boxes in multi-object counting tasks with center dots, showing improved performance and better resilience to localization inaccuracy.
• Abstract（参考訳）: 境界ボックスはしばしば人間に自動的な物体検出結果を伝えるために使われ、様々なタスクで人を助ける。 境界ボックス位置推定誤差とヒューマンタスク性能の関係について検討した。 我々は,視覚多目的計数タスクにおけるオブザーバパフォーマンススタディを用いて,人間の信頼度と性能をそれぞれ異なるレベルの境界ボックス精度で測定する。 その結果, 位置推定誤差がシステムの精度や信頼性に有意な影響を与えないことが示唆された。 リコールと精度の誤差は、人間のパフォーマンスと信頼の両方に影響を及ぼし、F1スコアに基づくアルゴリズムの最適化は、人間とコンピュータのタスクにおいてより有益であることが示唆されている。 最後に,マルチオブジェクトカウントタスクのバウンディングボックスを中心点で改善し,パフォーマンスの向上と局所化不正確性へのレジリエンス向上を示した。

関連論文リスト

• SureMap: Simultaneous Mean Estimation for Single-Task and Multi-Task Disaggregated Evaluation [75.56845750400116]
  分散評価(disaggregated evaluation) -- 異なるサブポピュレーション上での機械学習モデルのパフォーマンスの推定 - は、AIシステムのパフォーマンスとグループフェアネスを評価する上で、中核的なタスクである。 ブラックボックスモデルの評価において,マルチタスクとシングルタスクの双方に対して高い推定精度を持つSureMapを開発した。 提案手法は, ウェル・チョーゼンを用いた最大後部推定と, スタインの非バイアスリスク推定(SURE)によるクロスバリデーションフリーチューニングを併用する。
  論文  参考訳（メタデータ） (2024-11-14T17:53:35Z)
• Improving Trust Estimation in Human-Robot Collaboration Using Beta Reputation at Fine-grained Timescales [28.8269384384984]
  ベータ評価は、人間の信頼を数学的に推定する一般的な方法である。 これはバイナリパフォーマンスに依存しており、各タスクの終了後にのみ信頼推定を更新する。 本稿では,詳細な時間スケールでのベータ評価を用いた信頼度推定のための新しい枠組みを提案する。
  論文  参考訳（メタデータ） (2024-11-04T07:46:24Z)
• Uncertainty Estimation for 3D Object Detection via Evidential Learning [63.61283174146648]
  本稿では,3次元検出器における鳥の視線表示における明らかな学習損失を利用して,3次元物体検出の不確かさを定量化するためのフレームワークを提案する。 本研究では,これらの不確実性評価の有効性と重要性を,分布外シーンの特定,局所化の不十分な物体の発見,および(偽陰性)検出の欠如について示す。
  論文  参考訳（メタデータ） (2024-10-31T13:13:32Z)
• PLATE: A perception-latency aware estimator, [0.46040036610482665]
  知覚遅延認識型エストリメータ(PLATE) PLATEは、特定のパフォーマンス指標を最適化するために、異なるタイミングで異なる知覚構成を使用する。 他のフレームスキッピング技術と比較して、PLATEは形式的な複雑さと最適性解析を持つ。
  論文  参考訳（メタデータ） (2024-01-24T17:04:18Z)
• HODN: Disentangling Human-Object Feature for HOI Detection [51.48164941412871]
  本稿では,Human and Object Disentangling Network (HODN) を提案し,Human-Object Interaction (HOI) の関係を明示的にモデル化する。 インタラクションに人間的特徴がより寄与していることを考慮し,インタラクションデコーダが人間中心の領域に焦点を当てていることを確認するためのヒューマンガイドリンク手法を提案する。 提案手法は,V-COCOとHICO-Det Linkingデータセットの競合性能を実現する。
  論文  参考訳（メタデータ） (2023-08-20T04:12:50Z)
• Preventing Errors in Person Detection: A Part-Based Self-Monitoring Framework [7.6849475214826315]
  本稿では,認識システムが実行時に可視性チェックを行うことができる自己監視フレームワークを提案する。 人体部分検出のための追加の部品を組み込むことで、見逃した人体検出の回数を大幅に削減できることを示す。
  論文  参考訳（メタデータ） (2023-07-10T12:59:30Z)
• Deep Generative Multi-Agent Imitation Model as a Computational Benchmark for Evaluating Human Performance in Complex Interactive Tasks: A Case Study in Football [0.0]
  本研究では,大人数選手と球追跡データセットに基づいて,条件付き変動リカレントニューラルネットワーク(VRNN)モデルに基づく生成モデルを訓練する。 トレーニング済みのConditional VRNN Modelは、チームのパフォーマンスを評価するベンチマークとして使用される。
  論文  参考訳（メタデータ） (2023-03-23T15:01:52Z)
• SIMPLE: SIngle-network with Mimicking and Point Learning for Bottom-up Human Pose Estimation [81.03485688525133]
  Single-network with Mimicking and Point Learning for Bottom-up Human Pose Estimation (SIMPLE) を提案する。 具体的には、トレーニングプロセスにおいて、SIMPLEが高性能なトップダウンパイプラインからのポーズ知識を模倣できるようにする。 さらに、SIMPLEは人間検出とポーズ推定を統一的なポイントラーニングフレームワークとして定式化し、単一ネットワークで相互に補完する。
  論文  参考訳（メタデータ） (2021-04-06T13:12:51Z)
• Joint Inference of States, Robot Knowledge, and Human (False-)Beliefs [90.20235972293801]
  本稿では,人間(時間的)・人間(時間的)・人間(時間的)・人間(時間的)・人間(時間的)・人間(時間的)・人間(時間的)・人間(時間的)・人間(時間的)・人間(時間的)・人間(時間的)・人間(時間的)の認知能力が,ロボットとの相互作用にどのように影響するかを理解するために,対象状態,ロボット知識,人間(時間的)の認知能力の表現にグラフィカルモデルを採用することを提案する。 推論アルゴリズムは、複数のビューにまたがる全てのロボットから個別のpgを融合し、単一のビューから発生したエラーを克服するより効果的な推論能力を得る。
  論文  参考訳（メタデータ） (2020-04-25T23:02:04Z)
• GID-Net: Detecting Human-Object Interaction with Global and Instance Dependency [67.95192190179975]
  GIDブロックと呼ばれる2段階の訓練可能な推論機構を導入する。 GID-Netは、ヒューマンブランチ、オブジェクトブランチ、インタラクションブランチで構成される、人間とオブジェクトのインタラクション検出フレームワークである。 我々は,提案したGID-Netを,V-COCOとHICO-DETを含む2つの公開ベンチマーク上で既存の最先端手法と比較した。
  論文  参考訳（メタデータ） (2020-03-11T11:58:43Z)

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。