論文の概要: Out-of-distribution detection in 3D applications: a review
- arxiv url: http://arxiv.org/abs/2507.00570v1
- Date: Tue, 01 Jul 2025 08:43:13 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-07-03 14:22:59.543137
- Title: Out-of-distribution detection in 3D applications: a review
- Title（参考訳）: 3Dアプリケーションにおけるアウト・オブ・ディストリビューション検出:レビュー
- Authors: Zizhao Li, Xueyang Kang, Joseph West, Kourosh Khoshelham,
- Abstract要約: オブジェクト認識手法は、推論中に遭遇するすべてのオブジェクトカテゴリが、トレーニングデータに存在するクラスの閉じたセットに属していると仮定する。
この仮定は、訓練中に見えない物体が誤って分類されたり完全に無視されたりするため、現実の世界への一般化を制限する。
本稿では,信頼に値する,不確実なAIの範囲内でのOOD検出の包括的概要を提供する。
- 参考スコア（独自算出の注目度）: 1.188705980058767
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: The ability to detect objects that are not prevalent in the training set is a critical capability in many 3D applications, including autonomous driving. Machine learning methods for object recognition often assume that all object categories encountered during inference belong to a closed set of classes present in the training data. This assumption limits generalization to the real world, as objects not seen during training may be misclassified or entirely ignored. As part of reliable AI, OOD detection identifies inputs that deviate significantly from the training distribution. This paper provides a comprehensive overview of OOD detection within the broader scope of trustworthy and uncertain AI. We begin with key use cases across diverse domains, introduce benchmark datasets spanning multiple modalities, and discuss evaluation metrics. Next, we present a comparative analysis of OOD detection methodologies, exploring model structures, uncertainty indicators, and distributional distance taxonomies, alongside uncertainty calibration techniques. Finally, we highlight promising research directions, including adversarially robust OOD detection and failure identification, particularly relevant to 3D applications. The paper offers both theoretical and practical insights into OOD detection, showcasing emerging research opportunities such as 3D vision integration. These insights help new researchers navigate the field more effectively, contributing to the development of reliable, safe, and robust AI systems.
- Abstract（参考訳）: トレーニングセットにないオブジェクトを検出する能力は、自律運転を含む多くの3Dアプリケーションにおいて重要な機能である。
オブジェクト認識のための機械学習手法は、推論中に遭遇する全てのオブジェクトカテゴリが、トレーニングデータに存在するクラスの閉じたセットに属していると仮定することが多い。
この仮定は、訓練中に見えない物体が誤って分類されたり完全に無視されたりするため、現実の世界への一般化を制限する。
信頼性の高いAIの一部として、OOD検出はトレーニング分布から大きく逸脱した入力を識別する。
本稿では,信頼に値する,不確実なAIの範囲内でのOOD検出の包括的概要を提供する。
まず、さまざまなドメインにまたがる重要なユースケースから始め、複数のモダリティにまたがるベンチマークデータセットを導入し、評価指標について議論します。
次に、不確実性校正手法とともに、OOD検出手法の比較分析、モデル構造、不確実性指標、分布距離分類法について述べる。
最後に、特に3Dアプリケーションに関連する、対向的に堅牢なOOD検出と障害識別を含む、有望な研究方向を強調した。
本論文は、OOD検出に関する理論的および実践的な知見の両方を提供し、3次元視覚統合のような新たな研究機会を示す。
これらの洞察は、新しい研究者がより効果的にこの分野をナビゲートし、信頼性、安全性、堅牢なAIシステムの開発に寄与する。
関連論文リスト
- phepy: Visual Benchmarks and Improvements for Out-of-Distribution Detectors [0.0]
実世界のデータセット上でのOOD検出手法のテストは、入力がID(In-distriion)またはOOD(OOD)であるあいまいさによって複雑である。
OOD検出のためのベンチマークを設計する。
我々は,ID-OOD境界における監視検出器の精度を高めるために,$t$-pokingとOODサンプル重み付けという2つの改良点を導入した。
論文 参考訳（メタデータ） (2025-03-07T06:25:20Z) - 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) - HD-OOD3D: Supervised and Unsupervised Out-of-Distribution object detection in LiDAR data [6.131026007721572]
HD-OOD3Dは未知の物体を検出するための新しい2段階法である。
未知の物体を学習する際の課題を解決するために,未知の物体に対して擬似ラベルを生成するための教師なしの訓練戦略を検討する。
論文 参考訳（メタデータ） (2024-10-31T09:29:55Z) - CatFree3D: Category-agnostic 3D Object Detection with Diffusion [63.75470913278591]
本稿では,2次元検出と深度予測から3次元検出を分離するパイプラインを提案する。
また,3次元検出結果の正確な評価のために,正規化ハンガリー距離(NHD)指標も導入した。
論文 参考訳（メタデータ） (2024-08-22T22:05:57Z) - A Comprehensive Library for Benchmarking Multi-class Visual Anomaly Detection [52.228708947607636]
本稿では,新しい手法のモジュラーフレームワークであるADerを包括的視覚異常検出ベンチマークとして紹介する。
このベンチマークには、産業ドメインと医療ドメインからの複数のデータセットが含まれており、15の最先端メソッドと9つの包括的なメトリクスを実装している。
我々は,異なる手法の長所と短所を客観的に明らかにし,多クラス視覚異常検出の課題と今後の方向性について考察する。
論文 参考訳（メタデータ） (2024-06-05T13:40:07Z) - Robustness-Aware 3D Object Detection in Autonomous Driving: A Review and Outlook [19.539295469044813]
本研究は,現実シナリオ下での知覚システム評価において,精度と遅延とともに頑健性の重要性を強調した。
我々の研究は、カメラのみ、LiDARのみ、マルチモーダルな3Dオブジェクト検出アルゴリズムを広範囲に調査し、精度、レイテンシ、堅牢性の間のトレードオフを徹底的に評価する。
これらのうち、多モード3D検出手法は優れた堅牢性を示し、新しい分類法を導入し、文献を改良して明瞭性を高める。
論文 参考訳（メタデータ） (2024-01-12T12:35:45Z) - Exploring Large Language Models for Multi-Modal Out-of-Distribution
Detection [67.68030805755679]
大きな言語モデル(LLM)は豊富な世界の知識をエンコードし、クラスごとに記述的な特徴を生成するよう促すことができる。
本稿では,LLMの選択的生成によるOOD検出性能向上のための世界知識の適用を提案する。
論文 参考訳（メタデータ） (2023-10-12T04:14:28Z) - Detecting Out-of-distribution Objects Using Neuron Activation Patterns [0.0]
物体検出装置(NAPTRON)における分布外サンプル検出のためのニューロン活性化PaTteRnsを導入する。
提案手法は,ID(In-distribution)のパフォーマンスに影響を与えることなく,最先端の手法よりも優れている。
OODオブジェクト検出のための最大のオープンソースベンチマークを作成しました。
論文 参考訳（メタデータ） (2023-07-31T06:41:26Z) - Generalized Out-of-Distribution Detection: A Survey [83.0449593806175]
アウト・オブ・ディストリビューション(OOD)検出は、機械学習システムの信頼性と安全性を確保するために重要である。
その他の問題として、異常検出(AD)、新規検出(ND)、オープンセット認識(OSR)、異常検出(OD)などがある。
まず、上記の5つの問題を含む一般化OOD検出という統合されたフレームワークを提案する。
論文 参考訳（メタデータ） (2021-10-21T17:59:41Z) - 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)
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。