論文の概要: Road Obstacle Detection based on Unknown Objectness Scores
- arxiv url: http://arxiv.org/abs/2403.18207v1
- Date: Wed, 27 Mar 2024 02:35:36 GMT
- ステータス: 処理完了
- システム内更新日: 2024-03-28 18:36:01.790938
- Title: Road Obstacle Detection based on Unknown Objectness Scores
- Title（参考訳）: 未知の目的度スコアを用いた道路障害物検出
- Authors: Chihiro Noguchi, Toshiaki Ohgushi, Masao Yamanaka,
- Abstract要約: 異常検出技術により、未知の物体の画素をオフ・オブ・ディストリビューション(OoD)サンプルとして識別することができる。
本研究の目的は,物体検出の手法を画素単位の異常検出手法に組み込むことで,未知物体を検出するための安定した性能を実現することである。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: The detection of unknown traffic obstacles is vital to ensure safe autonomous driving. The standard object-detection methods cannot identify unknown objects that are not included under predefined categories. This is because object-detection methods are trained to assign a background label to pixels corresponding to the presence of unknown objects. To address this problem, the pixel-wise anomaly-detection approach has attracted increased research attention. Anomaly-detection techniques, such as uncertainty estimation and perceptual difference from reconstructed images, make it possible to identify pixels of unknown objects as out-of-distribution (OoD) samples. However, when applied to images with many unknowns and complex components, such as driving scenes, these methods often exhibit unstable performance. The purpose of this study is to achieve stable performance for detecting unknown objects by incorporating the object-detection fashions into the pixel-wise anomaly detection methods. To achieve this goal, we adopt a semantic-segmentation network with a sigmoid head that simultaneously provides pixel-wise anomaly scores and objectness scores. Our experimental results show that the objectness scores play an important role in improving the detection performance. Based on these results, we propose a novel anomaly score by integrating these two scores, which we term as unknown objectness score. Quantitative evaluations show that the proposed method outperforms state-of-the-art methods when applied to the publicly available datasets.
- Abstract（参考訳）: 未知の交通障害の検出は、安全な自動運転を保証するために不可欠である。
標準的なオブジェクト検出方法は、事前に定義されたカテゴリに含まれていない未知のオブジェクトを特定できない。
これは、未知のオブジェクトの存在に対応するピクセルに背景ラベルを割り当てるように、オブジェクト検出法が訓練されているためである。
この問題に対処するため,画素ワイド異常検出手法が研究の注目を集めている。
不確実性推定や再構成画像との知覚差などの異常検出技術により、未知物体の画素をオフ・オブ・ディストリビューション(OoD)サンプルとして識別することができる。
しかし、運転シーンなど多くの未知の複雑な要素を持つ画像に適用すると、不安定な性能を示すことがしばしばある。
本研究の目的は,物体検出の手法を画素単位の異常検出手法に組み込むことで,未知物体を検出するための安定した性能を実現することである。
この目的を達成するために、我々は、ピクセルワイド異常スコアとオブジェクトネススコアを同時に提供するシグモイドヘッドを備えたセマンティックセグメンテーションネットワークを採用した。
実験結果から, 対象性スコアは検出性能の向上に重要な役割を果たすことが示された。
これらの結果に基づいて,これらの2つのスコアを統合することで,未知のオブジェクト性スコアと呼ぶ新しい異常スコアを提案する。
定量的評価の結果,提案手法は公開データセットに適用した場合,最先端の手法よりも優れていることがわかった。
関連論文リスト
- On the Inherent Robustness of One-Stage Object Detection against Out-of-Distribution Data [6.7236795813629]
画像データ中の未知物体を検出する新しい検出アルゴリズムを提案する。
モデルによって抽出された特徴に対する次元の呪いの影響を軽減するために、教師付き次元削減技術を利用する。
これは高解像度の特徴マップを用いて、教師なしの方法で潜在的に未知の物体を識別する。
論文 参考訳（メタデータ） (2024-11-07T10:15:25Z) - 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) - Unsupervised Recognition of Unknown Objects for Open-World Object
Detection [28.787586991713535]
Open-World Object Detection (OWOD) はオブジェクト検出問題を現実的でダイナミックなシナリオに拡張する。
現在のOWODモデル(OREやOW-DETRなど)は、高い客観性スコアを持つ擬似ラベル領域に注目する。
本稿では,未知の物体を認識するために,教師なしの識別モデルを学ぶ新しい手法を提案する。
論文 参考訳（メタデータ） (2023-08-31T08:17:29Z) - SalienDet: A Saliency-based Feature Enhancement Algorithm for Object
Detection for Autonomous Driving [160.57870373052577]
未知の物体を検出するために,サリエンデット法(SalienDet)を提案する。
我々のSaienDetは、オブジェクトの提案生成のための画像機能を強化するために、サリエンシに基づくアルゴリズムを利用している。
オープンワールド検出を実現するためのトレーニングサンプルセットにおいて、未知のオブジェクトをすべてのオブジェクトと区別するためのデータセットレザベリングアプローチを設計する。
論文 参考訳（メタデータ） (2023-05-11T16:19:44Z) - Unknown Sniffer for Object Detection: Don't Turn a Blind Eye to Unknown
Objects [21.426594215463105]
未知のオブジェクトと未知のオブジェクトの両方を見つけるために、未知のスニファー(UnSniffer)を提案する。
GOCスコアは、既知のサンプルのみを使用して監視し、背景にある未知の不正な抑制を回避する。
未知の物体検出ベンチマーク(Unknown Object Detection Benchmark)は,未知の物体検出の精度評価を含む最初の公開ベンチマークである。
論文 参考訳（メタデータ） (2023-03-24T02:59:44Z) - Rigidity-Aware Detection for 6D Object Pose Estimation [60.88857851869196]
最近の6Dオブジェクトのポーズ推定方法は、最初にオブジェクト検出を使用して2Dバウンディングボックスを取得し、実際にポーズを回帰する。
本研究では,6次元ポーズ推定において対象物体が剛性であるという事実を利用した剛性認識検出手法を提案する。
このアプローチの成功の鍵となるのは可視性マップであり、これは境界ボックス内の各ピクセルとボックス境界の間の最小障壁距離を用いて構築することを提案する。
論文 参考訳（メタデータ） (2023-03-22T09:02:54Z) - The Familiarity Hypothesis: Explaining the Behavior of Deep Open Set
Methods [86.39044549664189]
特徴ベクトルデータに対する異常検出アルゴリズムは異常を外れ値として識別するが、外れ値検出はディープラーニングではうまく機能しない。
本論文は, 新規性の有無ではなく, 慣れ親しんだ特徴の欠如を検知しているため, これらの手法が成功するというFamiliarity仮説を提案する。
本論文は,親しみやすさの検出が表現学習の必然的な結果であるかどうかを論じる。
論文 参考訳（メタデータ） (2022-03-04T18:32:58Z) - Pixel-wise Anomaly Detection in Complex Driving Scenes [30.884375526254836]
本稿では,不確実性マップを用いて異常検出を改善する画素方向異常検出フレームワークを提案する。
私たちのアプローチは、すでにトレーニング済みのセグメンテーションネットワークの一般的なフレームワークとして機能します。
さまざまな異常データセットを対象としたトップ2パフォーマンスは、異なる異常インスタンスを扱うアプローチの堅牢性を示している。
論文 参考訳（メタデータ） (2021-03-09T14:26:20Z) - Slender Object Detection: Diagnoses and Improvements [74.40792217534]
本稿では,超高アスペクト比,すなわちtextbfslender オブジェクトの特定タイプの検出について検討する。
古典的物体検出法では、細い物体に対してのみ評価される場合、COCO上の18.9%のmAPの劇的な低下が観察される。
論文 参考訳（メタデータ） (2020-11-17T09:39:42Z) - Object Detection as a Positive-Unlabeled Problem [78.2955013126312]
本稿では,未ラベル領域が負でなければならないという仮定を排除し,対象検出を正の未ラベル(PU)問題として扱うことを提案する。
提案するPU分類の損失は, PASCAL VOCやMS COCO, Visual GenomeやDeepLesionなど, ラベルの欠如により, 標準的なPN損失よりも優れていた。
論文 参考訳（メタデータ） (2020-02-11T20:49:34Z)
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。