論文の概要: Assessing the Uncertainty and Robustness of the Laptop Refurbishing Software

• arxiv url: http://arxiv.org/abs/2409.03782v2
• Date: Thu, 03 Jul 2025 07:32:14 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-07-04 15:37:12.68658
• Title: Assessing the Uncertainty and Robustness of the Laptop Refurbishing Software
• Title（参考訳）: ラップトップ修理ソフトの不確かさとロバストさの評価
• Authors: Chengjie Lu, Jiahui Wu, Shaukat Ali, Mikkel Labori Olsen,
• Abstract要約: クリーニングには、ラップトップの表面からステッカーを識別し、取り除くことが含まれる。 ステッカーの種類が多様であることを考えると、ステッカーの識別は極めて不確実である。 3つのデータセットを用いてDTIから6つのステッカー検出モデル(SDM)を評価する。
• 参考スコア（独自算出の注目度）: 9.106954419605504
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Refurbishing laptops extends their lives while contributing to reducing electronic waste, which promotes building a sustainable future. To this end, the Danish Technological Institute (DTI) focuses on the research and development of several robotic applications empowered with software, including laptop refurbishing. Cleaning represents a major step in refurbishing and involves identifying and removing stickers from laptop surfaces. Software plays a crucial role in the cleaning process. For instance, the software integrates various object detection models to identify and remove stickers from laptops automatically. However, given the diversity in types of stickers (e.g., shapes, colors, locations), identification of the stickers is highly uncertain, thereby requiring explicit quantification of uncertainty associated with the identified stickers. Such uncertainty quantification can help reduce risks in removing stickers, which, for example, could otherwise result in software faults damaging laptop surfaces. For uncertainty quantification, we adopted the Monte Carlo Dropout method to evaluate six sticker detection models (SDMs) from DTI using three datasets: the original image dataset from DTI and two datasets generated with vision language models, i.e., DALL-E-3 and Stable Diffusion-3. In addition, we presented novel robustness metrics concerning detection accuracy and uncertainty to assess the robustness of the SDMs based on adversarial datasets generated from the three datasets using a dense adversary method. Our evaluation results show that different SDMs perform differently regarding different metrics. Based on the results, we provide SDM selection guidelines and lessons learned from various perspectives.
• Abstract（参考訳）: ラップトップの改装は、持続的な未来の構築を促進するため、電子廃棄物の削減に寄与しながら、寿命を延ばす。 この目的のために、デンマーク工科大学(DTI)は、ラップトップの改造を含むソフトウェアで強化されたいくつかのロボットアプリケーションの研究と開発に重点を置いている。 クリーニングは、リサイクルの大きなステップであり、ラップトップの表面からステッカーを識別して除去する。 ソフトウェアはクリーニングプロセスにおいて重要な役割を担います。 例えば、ソフトウェアはさまざまなオブジェクト検出モデルを統合して、ノートパソコンからステッカーを自動で識別し削除する。 しかし、ステッカーの種類(例えば、形状、色、位置)の多様性を考えると、ステッカーの識別は極めて不確実であり、それによって特定されたステッカーに関連する不確実性を明確に定量化する必要がある。 このような不確実性の定量化は、ステッカーを除去するリスクを減らすのに役立つ。 不確実性定量化のために,我々はモンテカルロ・ドロップアウト法を用いて,DTIのオリジナル画像データセットと,DALL-E-3と安定拡散-3という視覚言語モデルで生成された2つのデータセットの3つのデータセットを用いて,DTIのステッカー検出モデル(SDM)を評価する。 さらに,検出精度と不確実性に関する新たなロバストネス指標を提示し,高密度逆解析法を用いて3つのデータセットから生成された逆データセットに基づいてSDMのロバストネスを評価する。 評価結果から,SDMは異なる指標に対して異なる性能を示すことが示された。 その結果から,SDM選択ガイドラインと様々な視点から学んだ教訓が得られた。

関連論文リスト

• 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)
• MultiCorrupt: A Multi-Modal Robustness Dataset and Benchmark of LiDAR-Camera Fusion for 3D Object Detection [5.462358595564476]
  自動走行のためのマルチモーダル3Dオブジェクト検出モデルは、nuScenesのようなコンピュータビジョンベンチマークでは例外的な性能を示した。 しかし、密集したLiDAR点雲や精密に校正されたセンサーアレイへの依存は、現実世界のアプリケーションに課題をもたらす。 我々は,10種類の汚職に対してマルチモーダル3Dオブジェクト検出器の堅牢性を評価するためのベンチマークであるMultiCorruptを紹介する。
  論文  参考訳（メタデータ） (2024-02-18T18:56:13Z)
• Dual-Perspective Knowledge Enrichment for Semi-Supervised 3D Object Detection [55.210991151015534]
  本稿では, DPKE という新しい2次元知識豊か化手法を提案する。 我々のDPKEは、データパースペクティブと機能パースペクティブという2つの観点から、限られたトレーニングデータ、特にラベルなしデータの知識を豊かにしています。
  論文  参考訳（メタデータ） (2024-01-10T08:56:07Z)
• MEDL-U: Uncertainty-aware 3D Automatic Annotation based on Evidential Deep Learning [13.59039985176011]
  本研究では3次元物体検出のためのEvidential Deep Learning(EDL)に基づく不確実性推定フレームワークを提案する。 EDL-Uは擬似ラベルを生成し、関連する不確実性を定量化する。 MEDL-Uを用いて訓練された確率検出器は、KITTI valの以前の3Dアノテータからの出力を用いて訓練された決定論的検出器を超越した。
  論文  参考訳（メタデータ） (2023-09-18T09:14:03Z)
• Augment and Criticize: Exploring Informative Samples for Semi-Supervised Monocular 3D Object Detection [64.65563422852568]
  我々は、一般的な半教師付きフレームワークを用いて、難解な単分子3次元物体検出問題を改善する。 我々は、ラベルのないデータから豊富な情報的サンプルを探索する、新しい、シンプルで効果的なAugment and Criticize'フレームワークを紹介します。 3DSeMo_DLEと3DSeMo_FLEXと呼ばれる2つの新しい検出器は、KITTIのAP_3D/BEV(Easy)を3.5%以上改善した。
  論文  参考訳（メタデータ） (2023-03-20T16:28:15Z)
• GLENet: Boosting 3D Object Detectors with Generative Label Uncertainty Estimation [70.75100533512021]
  本稿では,対象物の潜在的可算有界箱の多様性として,ラベルの不確実性問題を定式化する。 本稿では,条件付き変分オートエンコーダを応用した生成フレームワークであるGLENetを提案する。 GLENetが生成するラベルの不確実性はプラグアンドプレイモジュールであり、既存のディープ3D検出器に便利に統合することができる。
  論文  参考訳（メタデータ） (2022-07-06T06:26:17Z)
• Stance Detection Benchmark: How Robust Is Your Stance Detection? [65.91772010586605]
  Stance Detection (StD) は、あるトピックやクレームに対する著者の姿勢を検出することを目的としている。 マルチデータセット学習環境において、さまざまなドメインの10のStDデータセットから学習するStDベンチマークを導入する。 このベンチマーク設定では、5つのデータセットに新しい最先端結果を表示することができます。
  論文  参考訳（メタデータ） (2020-01-06T13:37:51Z)
• SESS: Self-Ensembling Semi-Supervised 3D Object Detection [138.80825169240302]
  具体的には、ラベルのない新しい未知のデータに基づくネットワークの一般化を促進するための、徹底的な摂動スキームを設計する。 我々のSESSは、50%のラベル付きデータを用いて、最先端の完全教師付き手法と比較して、競争性能を達成している。
  論文  参考訳（メタデータ） (2019-12-26T08:48:04Z)

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。