論文の概要: UAC: Uncertainty-Aware Calibration of Neural Networks for Gesture Detection

• arxiv url: http://arxiv.org/abs/2504.02895v1
• Date: Wed, 02 Apr 2025 21:40:01 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-04-07 14:49:24.891123
• Title: UAC: Uncertainty-Aware Calibration of Neural Networks for Gesture Detection
• Title（参考訳）: UAC: ジェスチャ検出のためのニューラルネットワークの不確かさを意識した校正
• Authors: Farida Al Haddad, Yuxin Wang, Malcolm Mielle,
• Abstract要約: IMUデータからジェスチャー確率とそれに関連する不確実性の両方を予測する不確実性認識型ジェスチャーネットワークアーキテクチャを提案する。 この不確実性は、各潜在的なジェスチャーの確率を調整するために使用される。 本手法は,ジェスチャ検出のために利用可能な3つのIMUデータセットを用いて評価し,ニューラルネットワークの3つの最先端キャリブレーション手法と比較した。
• 参考スコア（独自算出の注目度）: 20.98523779846244
• License:
• Abstract: Artificial intelligence has the potential to impact safety and efficiency in safety-critical domains such as construction, manufacturing, and healthcare. For example, using sensor data from wearable devices, such as inertial measurement units (IMUs), human gestures can be detected while maintaining privacy, thereby ensuring that safety protocols are followed. However, strict safety requirements in these domains have limited the adoption of AI, since accurate calibration of predicted probabilities and robustness against out-of-distribution (OOD) data is necessary. This paper proposes UAC (Uncertainty-Aware Calibration), a novel two-step method to address these challenges in IMU-based gesture recognition. First, we present an uncertainty-aware gesture network architecture that predicts both gesture probabilities and their associated uncertainties from IMU data. This uncertainty is then used to calibrate the probabilities of each potential gesture. Second, an entropy-weighted expectation of predictions over multiple IMU data windows is used to improve accuracy while maintaining correct calibration. Our method is evaluated using three publicly available IMU datasets for gesture detection and is compared to three state-of-the-art calibration methods for neural networks: temperature scaling, entropy maximization, and Laplace approximation. UAC outperforms existing methods, achieving improved accuracy and calibration in both OOD and in-distribution scenarios. Moreover, we find that, unlike our method, none of the state-of-the-art methods significantly improve the calibration of IMU-based gesture recognition models. In conclusion, our work highlights the advantages of uncertainty-aware calibration of neural networks, demonstrating improvements in both calibration and accuracy for gesture detection using IMU data.
• Abstract（参考訳）: 人工知能は、建設、製造、医療といった安全に重要な領域の安全性と効率に影響を与える可能性がある。 例えば、慣性測定ユニット(IMU)などのウェアラブルデバイスからのセンサデータを使用して、プライバシーを維持しながら人間のジェスチャーを検出することで、安全プロトコルが守られる。 しかし、これらの領域における厳格な安全要件は、予測される確率の正確な校正と、アウト・オブ・ディストリビューション(OOD)データに対する堅牢性が必要であるため、AIの採用を制限している。 本稿では、IMUに基づくジェスチャー認識において、これらの課題に対処する2段階の手法であるUAC(Uncertainty-Aware Calibration)を提案する。 まず、IMUデータからジェスチャー確率とそれに関連する不確実性の両方を予測する不確実性認識型ジェスチャーネットワークアーキテクチャを提案する。 この不確実性は、各潜在的なジェスチャーの確率を調整するために使用される。 第二に、複数のIMUデータウィンドウ上での予測のエントロピー重み付けにより、正しい校正を維持しながら精度を向上させる。 本手法は,ジェスチャ検出のために利用可能な3つのIMUデータセットを用いて評価し,温度スケーリング,エントロピー最大化,ラプラス近似の3つの最先端キャリブレーション手法と比較した。 UAC は既存の手法より優れており、OOD と in-distriion の両方のシナリオで精度とキャリブレーションが改善されている。 さらに,本手法と異なり,IMUに基づくジェスチャー認識モデルのキャリブレーションを大幅に改善する手法は存在しない。 結論として,ニューラルネットワークの不確実性を考慮したキャリブレーションの利点を強調し,IMUデータを用いたジェスチャー検出におけるキャリブレーションと精度の向上を実証した。

関連論文リスト

• Uncertainty-Aware Online Extrinsic Calibration: A Conformal Prediction Approach [4.683612295430957]
  我々はモンテカルロ・ドロップアウトとコンフォーマル予測を組み合わせた不確実性認識をオンラインキャリブレーションに統合する最初のアプローチを提案する。 本研究では,様々な視覚センサの種類にまたがって有効性を示し,測定値を用いて測定を行い,間隔の効率と信頼性を評価する。 動的環境におけるセンサ融合の堅牢性を大幅に向上させることができるキャリブレーション推定の信頼性に関する知見を提供する。
  論文  参考訳（メタデータ） (2025-01-12T17:24:51Z)
• Decoupling of neural network calibration measures [45.70855737027571]
  本稿では,AUSE(Area Under Sparsification Error curve)測定値に焦点をあてて,異なるニューラルネットワークキャリブレーション尺度の結合について検討する。 本稿では,現行の手法は自由度を保ち,安全クリティカルな機能のホモログ化のユニークなモデルを妨げると結論付けている。
  論文  参考訳（メタデータ） (2024-06-04T15:21:37Z)
• Cal-DETR: Calibrated Detection Transformer [67.75361289429013]
  本稿では,Deformable-DETR,UP-DETR,DINOのキャリブレーション検出トランス(Cal-DETR)のメカニズムを提案する。 我々は、不確実性を利用してクラスロジットを変調する不確実性誘導ロジット変調機構を開発する。 その結果、Cal-DETRは、ドメイン内およびドメイン外の両方を校正する競合する列車時間法に対して有効であることがわかった。
  論文  参考訳（メタデータ） (2023-11-06T22:13:10Z)
• Mutual Information-calibrated Conformal Feature Fusion for Uncertainty-Aware Multimodal 3D Object Detection at the Edge [1.7898305876314982]
  3次元(3D)物体検出は、重要なロボティクスの操作であり、大きな進歩を遂げている。 本研究は,共形推論の原理と情報理論測度を統合し,モンテカルロ自由な不確実性推定を行う。 このフレームワークは、KITTIの3Dオブジェクト検出ベンチマークにおいて、不確実性に気付かない類似のメソッドと同等またはより良いパフォーマンスを示す。
  論文  参考訳（メタデータ） (2023-09-18T09:02:44Z)
• Uncertainty-Aware AB3DMOT by Variational 3D Object Detection [74.8441634948334]
  不確実性推定は統計的に正確な予測を提供する効果的なツールである。 本稿では,変分ニューラルネットワークを用いたTANet 3Dオブジェクト検出器を提案し,不確実性のある3Dオブジェクト検出を行う。
  論文  参考訳（メタデータ） (2023-02-12T14:30:03Z)
• Beyond In-Domain Scenarios: Robust Density-Aware Calibration [48.00374886504513]
  ディープラーニングモデルをキャリブレーションして不確実性を認識した予測を生成することは、ディープニューラルネットワークが安全クリティカルなアプリケーションにますますデプロイされるため、非常に重要です。 k-nearest-neighbors(KNN)に基づく精度保存と密度認識手法であるDACを提案する。 DACはドメインシフトやOODのキャリブレーション性能の堅牢性を高めつつ,ドメイン内予測の不確実性評価に優れることを示す。
  論文  参考訳（メタデータ） (2023-02-10T08:48:32Z)
• 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)
• CertainNet: Sampling-free Uncertainty Estimation for Object Detection [65.28989536741658]
  ニューラルネットワークの不確実性を推定することは、安全クリティカルな設定において基本的な役割を果たす。 本研究では,オブジェクト検出のための新しいサンプリング不要不確実性推定法を提案する。 私たちはそれをCertainNetと呼び、各出力信号に対して、オブジェクト性、クラス、位置、サイズという、別の不確実性を提供するのは、これが初めてです。
  論文  参考訳（メタデータ） (2021-10-04T17:59:31Z)
• Uncertainty-Aware Deep Calibrated Salient Object Detection [74.58153220370527]
  既存のディープニューラルネットワークに基づくサルエントオブジェクト検出(SOD)手法は主に高いネットワーク精度の追求に重点を置いている。 これらの手法は、信頼不均衡問題として知られるネットワーク精度と予測信頼の間のギャップを見落としている。 我々は,不確実性を考慮した深部SODネットワークを導入し,深部SODネットワークの過信を防止するための2つの戦略を提案する。
  論文  参考訳（メタデータ） (2020-12-10T23:28:36Z)

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。