論文の概要: Holistic Uncertainty Estimation For Open-Set Recognition

• arxiv url: http://arxiv.org/abs/2408.14229v2
• Date: Wed, 11 Jun 2025 11:35:59 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-06-13 06:35:01.522343
• Title: Holistic Uncertainty Estimation For Open-Set Recognition
• Title（参考訳）: オープンセット認識のためのホロスティック不確かさ推定
• Authors: Leonid Erlygin, Alexey Zaytsev,
• Abstract要約: HolUEはベイズ確率モデルに基づく全体的不確実性推定法である。 クジラとイルカを識別するための新しいオープンセット認識プロトコルを提供する。
• 参考スコア（独自算出の注目度）: 2.6862667248315386
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Accurate uncertainty estimation is a critical challenge in open-set recognition, where a probe biometric sample may belong to an unknown identity. It can be addressed through sample quality estimation via probabilistic embeddings. However, the low variance of probabilistic embedding only partly implies a low identification error probability: an embedding of a sample could be close to several classes in a gallery, thus yielding high uncertainty despite high sample quality. We propose HolUE - a holistic uncertainty estimation method based on a Bayesian probabilistic model; it is aware of two sources of ambiguity in the open-set recognition system: (1) the gallery uncertainty caused by overlapping classes and (2) the uncertainty of embeddings. Challenging open-set recognition datasets, such as IJB-C for the image domain and VoxBlink for the audio domain, serve as a testbed for our method. We also provide a new open-set recognition protocol for the identification of whales and dolphins. In all cases, HolUE better identifies recognition errors than alternative uncertainty estimation methods, including those based solely on sample quality.
• Abstract（参考訳）: 正確な不確実性推定は、プローブバイオメトリックサンプルが未知のアイデンティティに属する場合のオープンセット認識において重要な課題である。 これは確率的埋め込みによるサンプル品質推定によって解決できる。 しかし、確率的埋め込みの低分散は、部分的には識別誤差の低いことしか示さない: サンプルの埋め込みはギャラリー内のいくつかのクラスに近くなり、高い品質にもかかわらず高い不確実性をもたらす。 ベイズ確率モデルに基づく全体論的不確実性推定手法であるHolUEを提案する。オープンセット認識システムでは,(1)重複クラスによるギャラリーの不確実性,(2)埋め込みの不確実性という2つの曖昧さの源泉を意識している。 画像領域の IJB-C や音声領域の VoxBlink などのオープンセット認識データセットは,我々の手法の試験ベッドとして機能する。 また,クジラやイルカを識別するための新しいオープンセット認識プロトコルも提供する。 いずれの場合も、HolUEは、サンプルの品質のみに基づくものを含む他の不確実性推定方法よりも、認識エラーをよりよく識別する。

関連論文リスト

• Local Features Meet Stochastic Anonymization: Revolutionizing Privacy-Preserving Face Recognition for Black-Box Models [54.88064975480573]
  プライバシー保護顔認証(PPFR)の課題は現在、2つの未解決課題に直面している。 グローバルな特徴の破壊と局所的な特徴の強化により,ブラックボックス環境においても効果的に認識できる。 本手法は,ブラックボックスモデルの平均認識精度94.21%を達成し,プライバシ保護とアンチコンストラクションの両面で既存手法よりも優れていた。
  論文  参考訳（メタデータ） (2024-12-11T10:49:15Z)
• Know Where You're Uncertain When Planning with Multimodal Foundation Models: A Formal Framework [54.40508478482667]
  認識と計画生成の不確実性を解消し、定量化し、緩和する包括的枠組みを提案する。 本稿では,知覚と意思決定の独特な性質に合わせた手法を提案する。 この不確実性分散フレームワークは, 変動率を最大40%削減し, タスク成功率をベースラインに比べて5%向上させることを示した。
  論文  参考訳（メタデータ） (2024-11-03T17:32:00Z)
• Certainly Uncertain: A Benchmark and Metric for Multimodal Epistemic and Aleatoric Awareness [106.52630978891054]
  視覚言語AIシステムに特有の不確実性の分類法を提案する。 また、精度と校正誤差の両方によく相関する新しい計量信頼度重み付き精度を導入する。
  論文  参考訳（メタデータ） (2024-07-02T04:23:54Z)
• Cost-Sensitive Uncertainty-Based Failure Recognition for Object Detection [1.8990839669542954]
  本稿では,ユーザ定義予算に合わせて,オブジェクト検出のためのコスト感受性フレームワークを提案する。 性能劣化を防ぐために最低限の閾値設定要件を導出する。 エラー認識率を最大化するために、しきい値処理の自動化と最適化を行う。
  論文  参考訳（メタデータ） (2024-04-26T14:03:55Z)
• Benchmarking Probabilistic Deep Learning Methods for License Plate Recognition [11.772116128679116]
  本稿では,ライセンスプレート認識における予測の不確かさを明示的にモデル化する。 合成ノイズやぼやけた低解像度画像の実験は、予測の不確実性が確実に間違った予測を見出すことを示した。
  論文  参考訳（メタデータ） (2023-02-02T21:37:42Z)
• Reliability-Aware Prediction via Uncertainty Learning for Person Image Retrieval [51.83967175585896]
  UALは、データ不確実性とモデル不確実性を同時に考慮し、信頼性に配慮した予測を提供することを目的としている。 データ不確実性はサンプル固有のノイズを捕捉する」一方、モデル不確実性はサンプルの予測に対するモデルの信頼を表現している。
  論文  参考訳（メタデータ） (2022-10-24T17:53:20Z)
• ScaleFace: Uncertainty-aware Deep Metric Learning [2.7383076864024636]
  計算コストをほとんど加えずに不確実性を直接推定できる深度計量学習手法を提案する。 textitScaleFaceアルゴリズムは、埋め込み空間の類似性を変更するトレーニング可能なスケール値を使用する。 本研究では,他の不確実性を認識した顔認識手法と比較して,ScaleFaceの優れた性能を示す顔認識タスクに関する総合的な実験を行う。
  論文  参考訳（メタデータ） (2022-09-05T10:27:16Z)
• Dense Uncertainty Estimation via an Ensemble-based Conditional Latent Variable Model [68.34559610536614]
  我々は、アレータリック不確実性はデータの固有の特性であり、偏見のないオラクルモデルでのみ正確に推定できると論じる。 そこで本研究では,軌道不確実性推定のためのオラクルモデルを近似するために,列車時の新しいサンプリングと選択戦略を提案する。 以上の結果から,提案手法は精度の高い決定論的結果と確実な不確実性推定の両方を達成できることが示唆された。
  論文  参考訳（メタデータ） (2021-11-22T08:54:10Z)
• An Uncertainty Estimation Framework for Probabilistic Object Detection [5.83620245905973]
  本稿では,物体検出における不確実性を推定する2つの一般的な手法を組み合わせた新しい手法を提案する。 我々のフレームワークは、予測の不確実性を近似するために、深いアンサンブルとモンテカルロのドロップアウトを利用する。
  論文  参考訳（メタデータ） (2021-06-28T22:29:59Z)
• Harnessing Unrecognizable Faces for Face Recognition [87.80037162457427]
  本稿では,顔画像の認識可能性の尺度を提案し,主に認識可能なアイデンティティを用いて訓練されたディープニューラルネットワークによって実現された。 FAR=1e-5において,認識可能性を考慮した場合,単画像認識の誤り率を58%減少させることを示す。
  論文  参考訳（メタデータ） (2021-06-08T05:25:03Z)
• Inducing Predictive Uncertainty Estimation for Face Recognition [102.58180557181643]
  顔画像の「マッドペア」から画像品質訓練データを自動的に生成する手法を提案する。 生成したデータを用いて、顔画像の信頼度を推定するために、PCNetと呼ばれる軽量な予測信頼ネットワークを訓練する。
  論文  参考訳（メタデータ） (2020-09-01T17:52:00Z)

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。