論文の概要: Automated Model Evaluation for Object Detection via Prediction Consistency and Reliablity

• arxiv url: http://arxiv.org/abs/2508.12082v1
• Date: Sat, 16 Aug 2025 15:39:56 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-08-19 14:49:10.555635
• Title: Automated Model Evaluation for Object Detection via Prediction Consistency and Reliablity
• Title（参考訳）: 予測整合性と可視性による物体検出の自動モデル評価
• Authors: Seungju Yoo, Hyuk Kwon, Joong-Won Hwang, Kibok Lee,
• Abstract要約: PCR (Predict Consistency and Reliability) は, 地味ラベルを使わずに検出性能を推定する。 我々は、様々な重度の画像汚職を適用して、メタデータセットを構築する。 その結果,PCRは既存のAutoEval法よりも精度の高い性能推定値が得られることがわかった。
• 参考スコア（独自算出の注目度）: 5.008445480549045
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Recent advances in computer vision have made training object detectors more efficient and effective; however, assessing their performance in real-world applications still relies on costly manual annotation. To address this limitation, we develop an automated model evaluation (AutoEval) framework for object detection. We propose Prediction Consistency and Reliability (PCR), which leverages the multiple candidate bounding boxes that conventional detectors generate before non-maximum suppression (NMS). PCR estimates detection performance without ground-truth labels by jointly measuring 1) the spatial consistency between boxes before and after NMS, and 2) the reliability of the retained boxes via the confidence scores of overlapping boxes. For a more realistic and scalable evaluation, we construct a meta-dataset by applying image corruptions of varying severity. Experimental results demonstrate that PCR yields more accurate performance estimates than existing AutoEval methods, and the proposed meta-dataset covers a wider range of detection performance. The code is available at https://github.com/YonseiML/autoeval-det.
• Abstract（参考訳）: コンピュータビジョンの最近の進歩により、訓練対象検出器はより効率的かつ効果的になったが、現実のアプリケーションでの性能を評価することは、依然として高価な手作業によるアノテーションに依存している。 この制限に対処するため,オブジェクト検出のための自動モデル評価(AutoEval)フレームワークを開発した。 非最大抑圧(NMS)の前に、従来の検出器が生成する複数の候補境界ボックスを利用する予測整合性と信頼性(PCR)を提案する。 共同計測による地下構造ラベルのないPCR検出性能の推定 1)NMS前後のボックス間の空間的整合性 2) 重なり合う箱の信頼性スコアによる保持箱の信頼性。 より現実的でスケーラブルな評価を行うため、様々な重度の画像汚職を適用してメタデータセットを構築する。 実験の結果,PCRは既存のAutoEval法よりも精度が高く,メタデータセットはより広範な検出性能をカバーしていることがわかった。 コードはhttps://github.com/YonseiML/autoeval-det.comで公開されている。

関連論文リスト

• An Uncertainty-aware DETR Enhancement Framework for Object Detection [10.102900613370817]
  本稿では,DETRを用いた物体検出のための不確実性認識フレームワークを提案する。 我々はハイリスク情報をフィルタリングし、検出信頼性を向上させるベイズリスクの定式化を導出する。 COCOベンチマーク実験により,本手法を既存のDECR変種に効果的に統合できることが示唆された。
  論文  参考訳（メタデータ） (2025-07-20T07:53:04Z)
• RoHOI: Robustness Benchmark for Human-Object Interaction Detection [78.18946529195254]
  ヒューマン・オブジェクト・インタラクション(HOI)検出は、コンテキスト認識支援を可能にするロボット・ヒューマン・アシストに不可欠である。 HOI検出のための最初のベンチマークを導入し、様々な課題下でモデルのレジリエンスを評価する。 我々のベンチマークであるRoHOIは、HICO-DETとV-COCOデータセットに基づく20の汚職タイプと、新しいロバストネスにフォーカスしたメトリクスを含んでいる。
  論文  参考訳（メタデータ） (2025-07-12T01:58:04Z)
• Open-set object detection: towards unified problem formulation and benchmarking [2.4374097382908477]
  統合VOC-COCO評価と,新しい評価指標の他に,明確な階層的オブジェクト定義を提供するOpenImagesRoadベンチマークの2つのベンチマークを紹介する。 提案したベンチマークで最先端の手法を広範囲に評価する。 この研究は、明確な問題定義を提供し、一貫した評価を保証し、OSOD戦略の有効性に関する新たな結論を導き出す。
  論文  参考訳（メタデータ） (2024-11-08T13:40:01Z)
• 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)
• Rank-DETR for High Quality Object Detection [52.82810762221516]
  高性能なオブジェクト検出器は、バウンディングボックス予測の正確なランキングを必要とする。 本研究では, 簡易かつ高性能なDETR型物体検出器について, 一連のランク指向設計を提案して紹介する。
  論文  参考訳（メタデータ） (2023-10-13T04:48:32Z)
• Conservative Prediction via Data-Driven Confidence Minimization [70.93946578046003]
  機械学習の安全性クリティカルな応用においては、モデルが保守的であることが望ましいことが多い。 本研究では,不確実性データセットに対する信頼性を最小化するデータ駆動信頼性最小化フレームワークを提案する。
  論文  参考訳（メタデータ） (2023-06-08T07:05:36Z)
• Towards Computational Performance Engineering for Unsupervised Concept Drift Detection -- Complexities, Benchmarking, Performance Analysis [4.720921955899519]
  コンセプトドリフト検出は、システムの信頼性を確保するために、多くのAIシステムにとって不可欠である。 これらのシステムは多くの場合、大量のデータを扱うか、リアルタイムに反応する必要がある。 ドリフト検出器は 総合的な性能評価で 計算要求や制約を満たさなければならない
  論文  参考訳（メタデータ） (2023-04-17T14:39:56Z)
• Identifying Out-of-Distribution Samples in Real-Time for Safety-Critical 2D Object Detection with Margin Entropy Loss [0.0]
  本稿では,2次元物体検出におけるOOD検出の限界エントロピー(ME)損失を利用したアプローチを提案する。 ME損失をトレーニングしたCNNは、標準信頼度スコアを用いてOOD検出を著しく上回る。
  論文  参考訳（メタデータ） (2022-09-01T11:14:57Z)
• Seeing without Looking: Contextual Rescoring of Object Detections for AP Maximization [4.346179456029563]
  任意の検出器の出力を後処理することで、コンテキストをオブジェクト検出に組み込むことを提案する。 再現は、検出の集合全体からコンテキスト情報を条件付けすることで行われる。 検出信頼度を簡易に再割り当てすることでAPを改善できることを示す。
  論文  参考訳（メタデータ） (2019-12-27T18:56:29Z)

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。