論文の概要: Mitigating Distributional Shift in Semantic Segmentation via Uncertainty Estimation from Unlabelled Data

• arxiv url: http://arxiv.org/abs/2402.17653v1
• Date: Tue, 27 Feb 2024 16:23:11 GMT
• ステータス: 処理完了
• システム内更新日: 2024-02-28 15:36:40.672600
• Title: Mitigating Distributional Shift in Semantic Segmentation via Uncertainty Estimation from Unlabelled Data
• Title（参考訳）: 不確実性推定によるセマンティックセグメンテーションにおける分布変化の緩和
• Authors: David S. W. Williams, Daniele De Martini, Matthew Gadd and Paul Newman
• Abstract要約: 本研究では,1回のフォワードパスで追加のアノテーションを使わずに,テストドメインの挑戦によるエラーを検出するセグメンテーションネットワークを提案する。 我々は、データ拡張に対する一貫性を強制することによって、不確実性推定を選択的に行うことを学ぶために、簡単で不正確で不確実なデータを使用する。 提案手法はGamma-SSLと名付けられ,不確実性推定とOoD(Out-of-Distribution)技術より一貫して優れている。
• 参考スコア（独自算出の注目度）: 19.000718685399935
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Knowing when a trained segmentation model is encountering data that is different to its training data is important. Understanding and mitigating the effects of this play an important part in their application from a performance and assurance perspective - this being a safety concern in applications such as autonomous vehicles (AVs). This work presents a segmentation network that can detect errors caused by challenging test domains without any additional annotation in a single forward pass. As annotation costs limit the diversity of labelled datasets, we use easy-to-obtain, uncurated and unlabelled data to learn to perform uncertainty estimation by selectively enforcing consistency over data augmentation. To this end, a novel segmentation benchmark based on the SAX Dataset is used, which includes labelled test data spanning three autonomous-driving domains, ranging in appearance from dense urban to off-road. The proposed method, named Gamma-SSL, consistently outperforms uncertainty estimation and Out-of-Distribution (OoD) techniques on this difficult benchmark - by up to 10.7% in area under the receiver operating characteristic (ROC) curve and 19.2% in area under the precision-recall (PR) curve in the most challenging of the three scenarios.
• Abstract（参考訳）: 訓練されたセグメンテーションモデルがトレーニングデータと異なるデータに遭遇する時期を知ることは重要である。 この効果を理解し、緩和することは、パフォーマンスと保証の観点から、彼らのアプリケーションにおいて重要な役割を果たす。 本研究では,1回のフォワードパスで追加のアノテーションを使わずに,テストドメインの挑戦によるエラーを検出するセグメンテーションネットワークを提案する。 アノテーションのコストがラベル付きデータセットの多様性を制限するため、データ拡張に対する一貫性を選択的に強制することによって不確実性評価を行うために、簡単で不正確なデータを使用する。 この目的のために、SAXデータセットに基づいた新しいセグメンテーションベンチマークが使用されている。これは、高密度都市からオフロードまでの3つの自動運転ドメインにわたるラベル付きテストデータを含む。 提案手法はGamma-SSLとよばれ,不確実性推定とOoD(Out-of-Distribution)手法をこの難しいベンチマークで一貫して上回り,受信動作特性(ROC)曲線の領域は最大10.7%,高精度リコール(PR)曲線の領域は最大19.2%であった。

関連論文リスト

• Label Convergence: Defining an Upper Performance Bound in Object Recognition through Contradictory Annotations [0.0]
  矛盾するテストアノテーションの制約の下で達成可能な最高性能を記述するために,「ラベル収束」の概念を導入する。 ラベル収束は LVIS の場合 62.63-67.52 mAP@[0.5:0.95:0.05] であり、95% の信頼度を持つ。 LVISデータセットのラベル収束間隔の上端にある現在の最先端(SOTA)モデルでは、モデルキャパシティが現在のオブジェクト検出問題を解決するのに十分である、と結論付けている。
  論文  参考訳（メタデータ） (2024-09-14T10:59:25Z)
• Downstream-Pretext Domain Knowledge Traceback for Active Learning [138.02530777915362]
  本稿では、下流知識と事前学習指導のデータ相互作用をトレースするダウンストリーム・プレテキスト・ドメイン知識トレース(DOKT)手法を提案する。 DOKTは、トレースバックの多様性指標とドメインベースの不確実性推定器から構成される。 10のデータセットで行った実験は、我々のモデルが他の最先端の手法よりも優れていることを示している。
  論文  参考訳（メタデータ） (2024-07-20T01:34:13Z)
• Masked Gamma-SSL: Learning Uncertainty Estimation via Masked Image Modeling [19.000718685399935]
  本研究では,単一の前方通過で高品質な不確実性推定を行うセマンティックセグメンテーションネットワークを提案する。 我々は、Masked Image Modeling (MIM) アプローチにより、基礎モデルと非ラベルデータセットの一般的な表現を利用する。 安全クリティカルなアプリケーションで使用されるニューラルネットワークでは、トレーニングデータのバイアスがエラーにつながる可能性がある。
  論文  参考訳（メタデータ） (2024-02-27T15:49:54Z)
• Navigating Data Heterogeneity in Federated Learning A Semi-Supervised Federated Object Detection [3.7398615061365206]
  フェデレートラーニング(FL)は、分散データソース間でモデルをトレーニングするための強力なフレームワークとして登場した。 特に自動運転のようなアプリケーションでは、高品質なラベルや、IID以外のクライアントデータに制限がある。 クライアントがラベル付きデータを持っている間、ラベル付きデータがサーバにのみ存在するシナリオ用に設計された、先駆的なSSFODフレームワークを提案する。
  論文  参考訳（メタデータ） (2023-10-26T01:40:28Z)
• Adaptive Negative Evidential Deep Learning for Open-set Semi-supervised Learning [69.81438976273866]
  オープンセット半教師付き学習(Open-set SSL)は、ラベル付きデータ(inliers)で観測されない新しいカテゴリ(outliers)を含むラベル付きデータとテストデータを含む、より実践的なシナリオである。 本研究では,様々な不確かさを定量化するための外乱検出器として顕在的深層学習(EDL)を導入し,自己学習と推論のための異なる不確実性指標を設計する。 Inlierとoutlierの両方を含むラベルなしデータセットに適合するように、新しい適応的負の最適化戦略を提案する。
  論文  参考訳（メタデータ） (2023-03-21T09:07:15Z)
• Uncertainty Reduction for 3D Point Cloud Self-Supervised Traversability Estimation [17.193700394066266]
  自己監督的トラバーサビリティ推定は、陰性情報の不足に応じて現れる先天性不確実性に悩まされる。 不確実性を活用するために,ラベルのないデータを組み込む手法を提案する。 我々は、我々のアプローチを、さまざまな負のデータからなる独自のデータセットであるDtrailで評価する。
  論文  参考訳（メタデータ） (2022-11-21T06:24:41Z)
• Leveraging Unlabeled Data to Predict Out-of-Distribution Performance [63.740181251997306]
  実世界の機械学習デプロイメントは、ソース(トレーニング)とターゲット(テスト)ディストリビューションのミスマッチによって特徴づけられる。 本研究では,ラベル付きソースデータとラベルなしターゲットデータのみを用いて,対象領域の精度を予測する手法を検討する。 本稿では,モデルの信頼度をしきい値として学習し,精度をラベルなし例のごく一部として予測する実践的手法である平均閾値保持信頼度(ATC)を提案する。
  論文  参考訳（メタデータ） (2022-01-11T23:01:12Z)
• Attentive Prototypes for Source-free Unsupervised Domain Adaptive 3D Object Detection [85.11649974840758]
  3Dオブジェクト検出ネットワークは、トレーニングされたデータに対してバイアスを受ける傾向がある。 そこで本研究では,ライダーを用いた3次元物体検出器のソースレス・教師なし領域適応のための単一フレーム手法を提案する。
  論文  参考訳（メタデータ） (2021-11-30T18:42:42Z)
• A new weakly supervised approach for ALS point cloud semantic segmentation [1.4620086904601473]
  本稿では,ALS点雲のセマンティックセグメンテーションのための,ディープラーニングに基づく弱教師付きフレームワークを提案する。 不完全でスパースなラベルの対象となるラベルのないデータから潜在的情報を利用する。 本手法は, 総合精度が83.0%, 平均F1スコアが70.0%であり, それぞれ6.9%, 12.8%増加した。
  論文  参考訳（メタデータ） (2021-10-04T14:00:23Z)
• Exploiting Sample Uncertainty for Domain Adaptive Person Re-Identification [137.9939571408506]
  各サンプルに割り当てられた擬似ラベルの信頼性を推定・活用し,ノイズラベルの影響を緩和する。 不確実性に基づく最適化は大幅な改善をもたらし、ベンチマークデータセットにおける最先端のパフォーマンスを達成します。
  論文  参考訳（メタデータ） (2020-12-16T04:09:04Z)
• Unsupervised Domain Adaptation for Speech Recognition via Uncertainty Driven Self-Training [55.824641135682725]
  WSJ をソースドメインとし,TED-Lium 3 とSWITCHBOARD を併用したドメイン適応実験を行った。
  論文  参考訳（メタデータ） (2020-11-26T18:51:26Z)

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。