論文の概要: Towards Reliable Detection of Empty Space: Conditional Marked Point Processes for Object Detection

• arxiv url: http://arxiv.org/abs/2506.21486v1
• Date: Thu, 26 Jun 2025 17:14:37 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-06-27 19:53:10.210432
• Title: Towards Reliable Detection of Empty Space: Conditional Marked Point Processes for Object Detection
• Title（参考訳）: エンプティ空間の信頼性検出に向けて:オブジェクト検出のための条件付きマーク付きポイントプロセス
• Authors: Tobias J. Riedlinger, Kira Maag, Hanno Gottschalk,
• Abstract要約: ディープニューラルネットワークは、バウンディングボックス検出やセマンティックセグメンテーションといったコンピュータビジョンタスクの最先端を定めている。 オブジェクト検出器とセグメンテーションモデルは、オブジェクト検出またはピクセルワイズ分類におけるモデルの不確実性を反映して、信頼スコアを予測に割り当てる。 本研究では,空間統計に基づく物体検出モデルを提案する。
• 参考スコア（独自算出の注目度）: 1.693200946453174
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Deep neural networks have set the state-of-the-art in computer vision tasks such as bounding box detection and semantic segmentation. Object detectors and segmentation models assign confidence scores to predictions, reflecting the model's uncertainty in object detection or pixel-wise classification. However, these confidence estimates are often miscalibrated, as their architectures and loss functions are tailored to task performance rather than probabilistic foundation. Even with well calibrated predictions, object detectors fail to quantify uncertainty outside detected bounding boxes, i.e., the model does not make a probability assessment of whether an area without detected objects is truly free of obstacles. This poses a safety risk in applications such as automated driving, where uncertainty in empty areas remains unexplored. In this work, we propose an object detection model grounded in spatial statistics. Bounding box data matches realizations of a marked point process, commonly used to describe the probabilistic occurrence of spatial point events identified as bounding box centers, where marks are used to describe the spatial extension of bounding boxes and classes. Our statistical framework enables a likelihood-based training and provides well-defined confidence estimates for whether a region is drivable, i.e., free of objects. We demonstrate the effectiveness of our method through calibration assessments and evaluation of performance.
• Abstract（参考訳）: ディープニューラルネットワークは、バウンディングボックス検出やセマンティックセグメンテーションといったコンピュータビジョンタスクの最先端を定めている。 オブジェクト検出器とセグメンテーションモデルは、オブジェクト検出またはピクセルワイズ分類におけるモデルの不確実性を反映して、信頼スコアを予測に割り当てる。 しかしながら、これらの信頼度推定は、アーキテクチャや損失関数が確率的基礎よりもタスクパフォーマンスに適合しているため、しばしば誤解される。 適切に校正された予測であっても、物体検出器は検出された境界ボックスの外側の不確実性を定量化できない。 これは、空き地における不確実性が未解明のままである自動運転のようなアプリケーションにおいて、安全性のリスクをもたらす。 本研究では,空間統計に基づく物体検出モデルを提案する。 バウンディングボックスデータは、バウンディングボックスセンターとして識別される空間的ポイントイベントの確率的発生を記述するために一般的に使用されるマークポイントプロセスの実現と一致し、バウンディングボックスとクラスの空間的拡張を記述するためにマークが使用される。 我々の統計フレームワークは、可能性に基づくトレーニングを可能にし、ある領域がドライビング可能であるかどうか、すなわち、対象のない、明確に定義された信頼度推定を提供する。 キャリブレーション評価と性能評価により,本手法の有効性を実証する。

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)
• Score Matching-based Pseudolikelihood Estimation of Neural Marked Spatio-Temporal Point Process with Uncertainty Quantification [59.81904428056924]
  我々は、不確実な定量化を伴うmarkPsを学習するためのスコアMAtching推定器であるSMASHを紹介する。 具体的には,スコアマッチングによるマークPsの擬似的類似度を推定することにより,正規化自由度を推定する。 提案手法の優れた性能は、事象予測と不確実性定量化の両方において広範な実験によって実証される。
  論文  参考訳（メタデータ） (2023-10-25T02:37:51Z)
• Uncertainty Calibration and its Application to Object Detection [0.0]
  本研究では,意味的不確実性(どのオブジェクトタイプか)と空間的不確実性(空間的不確実性)について検討する。 オブジェクト検出モデルの予測不確かさが実世界のデータ上で達成された観測誤差と一致しているかを評価する。
  論文  参考訳（メタデータ） (2023-02-06T08:41:07Z)
• Calibrated Perception Uncertainty Across Objects and Regions in Bird's-Eye-View [2.3943776585660976]
  我々は、最先端の限界を強調し、報告すべき不確実性のより完全なセットを提案する。 得られた確率が既定値外校正されていないことを実証し、よく校正された不確実性を実現する方法を提案する。
  論文  参考訳（メタデータ） (2022-11-08T16:01:17Z)
• Uncertainty Aware Proposal Segmentation for Unknown Object Detection [13.249453757295083]
  本稿では,セマンティックセグメンテーションモデルのさらなる予測と信頼性の定量化を提案する。 本研究では,地域提案ネットワーク(RPN)が生成するオブジェクト提案を用いて,セマンティックセグメンテーションの精度評価を行う。 拡張オブジェクトの提案は、未知のオブジェクトカテゴリと未知のオブジェクトカテゴリの分類器をトレーニングするために使用される。
  論文  参考訳（メタデータ） (2021-11-25T01:53:05Z)
• 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)
• Learning Uncertainty For Safety-Oriented Semantic Segmentation In Autonomous Driving [77.39239190539871]
  自律運転における安全クリティカル画像セグメンテーションを実現するために、不確実性推定をどのように活用できるかを示す。 相似性関数によって測定された不一致予測に基づく新しい不確実性尺度を導入する。 本研究では,提案手法が競合手法よりも推論時間において計算集約性が低いことを示す。
  論文  参考訳（メタデータ） (2021-05-28T09:23:05Z)
• 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)
• Localization Uncertainty Estimation for Anchor-Free Object Detection [48.931731695431374]
  アンカーベース物体検出のための既存の不確実性推定手法にはいくつかの制限がある。 アンカーフリー物体検出のためのUADと呼ばれる新しい位置推定不確実性推定手法を提案する。 本手法は,ボックスオフセットの4方向の不確かさを均一に捉え,どの方向が不確実であるかを判断する。
  論文  参考訳（メタデータ） (2020-06-28T13:49:30Z)
• Inferring Spatial Uncertainty in Object Detection [35.28872968233385]
  本稿では,LiDAR点雲から境界ボックスラベルの不確かさを推定する生成モデルを提案する。 総合実験により,提案モデルが運転シナリオでよく見られる不確実性を表すことを示す。 ラベルの不確実性を考慮した新しい評価指標として,Jaccard IoU(JIoU)と呼ばれるIoUの拡張を提案する。
  論文  参考訳（メタデータ） (2020-03-07T19:29:43Z)

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。