論文の概要: FindMeIfYouCan: Bringing Open Set metrics to $\textit{near} $, $ \textit{far} $ and $\textit{farther}$ Out-of-Distribution Object Detection
- arxiv url: http://arxiv.org/abs/2506.14008v1
- Date: Mon, 16 Jun 2025 21:11:56 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-06-18 17:34:59.249623
- Title: FindMeIfYouCan: Bringing Open Set metrics to $\textit{near} $, $ \textit{far} $ and $\textit{farther}$ Out-of-Distribution Object Detection
- Title（参考訳）: FindMeIfYouCan:$\textit{near} $, $ \textit{far} $ and $\textit{farther}$ Out-of-Distribution Object Detection
- Authors: Daniel Montoya, Aymen Bouguerra, Alexandra Gomez-Villa, Fabio Arnez,
- Abstract要約: Out-Of-Distribution (OOD) 検出は、オブジェクト検出(OD)のための重要な研究方向として登場した。
本稿では,OOD-ODの現在の評価プロトコルが重複しないオブジェクトの仮定に違反していることを示す。
我々は、IDデータセットから$textitnear$、$textitfar$、$textitfarther$に分類された新しい評価分割を導入する。
- 参考スコア（独自算出の注目度）: 42.41481706562645
- License: http://creativecommons.org/licenses/by-sa/4.0/
- Abstract: State-of-the-art Object Detection (OD) methods predominantly operate under a closed-world assumption, where test-time categories match those encountered during training. However, detecting and localizing unknown objects is crucial for safety-critical applications in domains such as autonomous driving and medical imaging. Recently, Out-Of-Distribution (OOD) detection has emerged as a vital research direction for OD, focusing on identifying incorrect predictions typically associated with unknown objects. This paper shows that the current evaluation protocol for OOD-OD violates the assumption of non-overlapping objects with respect to the In-Distribution (ID) datasets, and obscures crucial situations such as ignoring unknown objects, potentially leading to overconfidence in deployment scenarios where truly novel objects might be encountered. To address these limitations, we manually curate, and enrich the existing benchmark by exploiting semantic similarity to create new evaluation splits categorized as $\textit{near}$, $\textit{far}$, and $\textit{farther}$ from ID distributions. Additionally, we incorporate established metrics from the Open Set community, providing deeper insights into how effectively methods detect unknowns, when they ignore them, and when they mistakenly classify OOD objects as ID. Our comprehensive evaluation demonstrates that semantically and visually close OOD objects are easier to localize than far ones, but are also more easily confounded with ID objects. $\textit{Far}$ and $\textit{farther}$ objects are harder to localize but less prone to be taken for an ID object.
- Abstract（参考訳）: State-of-the-art Object Detection (OD)メソッドは、主にクローズドワールドの仮定の下で動作し、テストタイムカテゴリはトレーニング中に遭遇したものと一致する。
しかし、自律運転や医用画像などの領域において、未知の物体の検出と位置決めは安全上重要な応用に不可欠である。
近年,Of-Distribution (OOD) 検出がODにとって重要な研究方向として現れ,未知の物体に典型的に関連付けられている誤予測の同定に焦点が当てられている。
本稿では、OOD-ODの現在の評価プロトコルが、In-Distribution (ID)データセットに関して重複しないオブジェクトの仮定に違反しており、未知のオブジェクトを無視するといった重要な状況が曖昧であり、真に新しいオブジェクトが遭遇する可能性があるデプロイメントシナリオにおいて、過度に自信を持てる可能性があることを示す。
これらの制限に対処するため、我々は、意味的類似性を利用して既存のベンチマークを手動でキュレートし、新しい評価分割を作成する。
さらに、Open Setコミュニティから確立されたメトリクスを取り入れ、メソッドが未知を効果的に検出する方法、無視した場合、OODオブジェクトをIDとして誤って分類する場合について、より深い洞察を提供する。
包括的評価により,OODオブジェクトのセマンティックかつ視覚的にクローズドな位置付けはより容易であるが,IDオブジェクトとの結合も容易であることが示された。
$\textit{Far}$と$\textit{farther}$オブジェクトはローカライズが難しいが、IDオブジェクトに対して取られる傾向は低い。
関連論文リスト
- RUNA: Object-level Out-of-Distribution Detection via Regional Uncertainty Alignment of Multimodal Representations [33.971901643313856]
RUNAは、アウト・オブ・ディストリビューション(OOD)オブジェクトを検出するための新しいフレームワークである。
これは、OODオブジェクトとIDを効果的に区別するために、地域不確実性アライメント機構を使用する。
実験の結果,RUNAはオブジェクトレベルのOOD検出において最先端の手法を大幅に上回っていることがわかった。
論文 参考訳（メタデータ） (2025-03-28T10:01:55Z) - Detecting Out-of-Distribution Objects through Class-Conditioned Inpainting [42.67743584239442]
現実のデプロイメントは、しばしば、out-of-distribution (OOD)オブジェクトと呼ばれる、新しく予期せぬオブジェクトを導入します。
現代の物体検出器は一般的に過信であり、その予測をOOD検出に単独で使用することは信用できない。
我々は,識別対象検出器と異なる目的関数で訓練された安定拡散のような,既製のテキスト・ツー・イメージ生成モデルを利用する。
論文 参考訳（メタデータ） (2024-02-05T18:50:27Z) - 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) - More Practical Scenario of Open-set Object Detection: Open at Category
Level and Closed at Super-category Level [23.98839374194848]
オープンセットオブジェクト検出(OSOD)は近年注目されている。
我々はまず, 未知の物体の無限多様性を考慮した最近の研究で考慮されたOSODのシナリオが, 根本的な問題となっていることを指摘した。
この問題は未知のオブジェクト検出におけるメソッドの性能評価に困難をもたらす。
論文 参考訳（メタデータ） (2022-07-20T09:28:51Z) - Contrastive Object Detection Using Knowledge Graph Embeddings [72.17159795485915]
一つのホットアプローチで学習したクラス埋め込みの誤差統計と、自然言語処理や知識グラフから意味的に構造化された埋め込みを比較した。
本稿では,キーポイントベースおよびトランスフォーマーベースオブジェクト検出アーキテクチャの知識埋め込み設計を提案する。
論文 参考訳（メタデータ） (2021-12-21T17:10:21Z) - Exploiting Multi-Object Relationships for Detecting Adversarial Attacks
in Complex Scenes [51.65308857232767]
ディープニューラルネットワーク(DNN)をデプロイするビジョンシステムは、敵の例に弱いことが知られている。
近年の研究では、入力データの固有成分のチェックは、敵攻撃を検出するための有望な方法であることが示された。
言語モデルを用いてコンテキスト整合性チェックを行う新しい手法を開発した。
論文 参考訳（メタデータ） (2021-08-19T00:52:10Z) - Learning Open-World Object Proposals without Learning to Classify [110.30191531975804]
本研究では,各領域の位置と形状がどの接地トラストオブジェクトとどのように重なり合うかによって,各領域の目的性を純粋に推定する,分類不要なオブジェクトローカライゼーションネットワークを提案する。
この単純な戦略は一般化可能な対象性を学び、クロスカテゴリの一般化に関する既存の提案より優れている。
論文 参考訳（メタデータ） (2021-08-15T14:36:02Z) - Triggering Failures: Out-Of-Distribution detection by learning from
local adversarial attacks in Semantic Segmentation [76.2621758731288]
セグメンテーションにおけるアウト・オブ・ディストリビューション(OOD)オブジェクトの検出に取り組む。
私たちの主な貢献は、ObsNetと呼ばれる新しいOOD検出アーキテクチャであり、ローカル・アタック(LAA)に基づく専用トレーニングスキームと関連付けられています。
3つの異なるデータセットの文献の最近の10つの手法と比較して,速度と精度の両面で最高の性能が得られることを示す。
論文 参考訳（メタデータ） (2021-08-03T17:09:56Z) - 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)
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。