論文の概要: Out-of-Distribution Detection in LiDAR Semantic Segmentation Using Epistemic Uncertainty from Hierarchical GMMs

• arxiv url: http://arxiv.org/abs/2510.08631v1
• Date: Wed, 08 Oct 2025 14:40:17 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-10-14 00:38:47.221229
• Title: Out-of-Distribution Detection in LiDAR Semantic Segmentation Using Epistemic Uncertainty from Hierarchical GMMs
• Title（参考訳）: 階層的GMMからの認識的不確実性を用いたLiDARセマンティックセマンティックセグメンテーションのアウト・オブ・ディストリビューション検出
• Authors: Hanieh Shojaei Miandashti, Claus Brenner,
• Abstract要約: トレーニング中に遭遇しないインスタンスであるアウト・オブ・ディストリビューション(OOD)オブジェクトは、未知のオブジェクトの既知のクラスへの不正な割り当てを防止するために不可欠である。 本稿では, ディープニューラルネットワークの特徴空間におけるガウス混合モデル(GMM)パラメータの階層的ベイズモデルから導かれる, てんかん不確実性を利用した教師なしOOD検出手法を提案する。 AUROCは18%改善し,AUPRCは22%増加し,FPR95は36%低下した。
• 参考スコア（独自算出の注目度）: 3.333967282951669
• License: http://creativecommons.org/publicdomain/zero/1.0/
• Abstract: In addition to accurate scene understanding through precise semantic segmentation of LiDAR point clouds, detecting out-of-distribution (OOD) objects, instances not encountered during training, is essential to prevent the incorrect assignment of unknown objects to known classes. While supervised OOD detection methods depend on auxiliary OOD datasets, unsupervised methods avoid this requirement but typically rely on predictive entropy, the entropy of the predictive distribution obtained by averaging over an ensemble or multiple posterior weight samples. However, these methods often conflate epistemic (model) and aleatoric (data) uncertainties, misclassifying ambiguous in distribution regions as OOD. To address this issue, we present an unsupervised OOD detection approach that employs epistemic uncertainty derived from hierarchical Bayesian modeling of Gaussian Mixture Model (GMM) parameters in the feature space of a deep neural network. Without requiring auxiliary data or additional training stages, our approach outperforms existing uncertainty-based methods on the SemanticKITTI dataset, achieving an 18\% improvement in AUROC, 22\% increase in AUPRC, and 36\% reduction in FPR95 (from 76\% to 40\%), compared to the predictive entropy approach used in prior works.
• Abstract（参考訳）: LiDARポイントクラウドの正確なセマンティックセマンティックセグメンテーションによる正確なシーン理解に加えて、トレーニング中に遭遇しないOED(out-of-distriion)オブジェクトの検出は、未知のオブジェクトを既知のクラスに不正に割り当てることを防ぐために不可欠である。 教師付きOOD検出法は補助的なOODデータセットに依存するが、教師なし手法はこの要件を回避しているが、通常は予測エントロピーに依存している。 しかし、これらの手法は、しばしばてんかん(モデル)とアレタリック(データ)の不確実性を説明し、分布領域においてOODとして曖昧さを誤分類する。 この問題に対処するために,深部ニューラルネットワークの特徴空間におけるガウス混合モデル(GMM)パラメータの階層的ベイズ的モデリングから導かれるてんかん不確実性を利用した教師なしOOD検出手法を提案する。 補助的なデータや追加のトレーニング段階を必要とせず,従来のセマンティックKITTIデータセットにおける不確実性に基づく手法よりも優れ,AUROCの18-%,AUPRCの22-%,FPR95の36-%(76-40%)の削減を実現した。

関連論文リスト

• Distributional Uncertainty for Out-of-Distribution Detection [10.100430371132463]
  本稿では,分散不確実性を共同でモデル化し,自由エネルギーを用いたOoD領域と非分類領域を同定する枠組みを提案する。 我々の手法を残留予測分岐(RPL)フレームワークと統合することにより、提案手法はポストホックエネルギー閾値を超えることができる。 提案手法の有効性を,魚の巣,道路異常,セグメンツ・ミー・ユー・カーンなどの実世界のベンチマークで検証した。
  論文  参考訳（メタデータ） (2025-07-24T05:35:49Z)
• Out-of-Distribution Detection Methods Answer the Wrong Questions [42.28447793943742]
  多くのアウト・オブ・ディストリビューション(OOD)検出方法は、イン・ディストリビューションデータに基づいて訓練された教師付きモデルの予測的不確実性や特徴に依存している。 我々は,不確実性に基づく手法がOODであることを示す一方で,特徴量に基づく手法が特徴量空間距離を誤ったものにするのに対し,不確実性に基づく手法はOODであることを示す。 OOD検出において,これらの病態が既約誤差であることを示すとともに,これらの方法が有効でない共通設定を同定する。
  論文  参考訳（メタデータ） (2025-07-02T15:45:17Z)
• Uncertainty Estimation and Out-of-Distribution Detection for LiDAR Scene Semantic Segmentation [0.6144680854063939]
  新しい環境で安全なナビゲーションを行うには、自動運転車やロボットが環境を正確に解釈する必要がある。 そこで本研究では,分布内(ID)と分布外(OOD)を区別する手法を提案する。 一つの決定論的モデルの特徴空間を用いて、疫学とアレター的不確実性の両方を定量化する。
  論文  参考訳（メタデータ） (2024-10-11T10:19:24Z)
• Can input reconstruction be used to directly estimate uncertainty of a regression U-Net model? -- Application to proton therapy dose prediction for head and neck cancer patients [0.8343441027226364]
  本稿では,別の直接不確実性推定法を提案し,それを回帰U-Netアーキテクチャに適用する。 本手法は頭頸部癌患者に対する陽子線量予測に応用した。
  論文  参考訳（メタデータ） (2023-10-30T16:04:34Z)
• 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)
• Meta Learning Low Rank Covariance Factors for Energy-Based Deterministic Uncertainty [58.144520501201995]
  ニューラルネットワーク層のBi-Lipschitz正規化は、各レイヤの特徴空間におけるデータインスタンス間の相対距離を保存する。 注意セットエンコーダを用いて,タスク固有の共分散行列を効率的に構築するために,対角的,対角的,低ランクな要素のメタ学習を提案する。 また,最終的な予測分布を達成するために,スケールしたエネルギーを利用する推論手法を提案する。
  論文  参考訳（メタデータ） (2021-10-12T22:04:19Z)
• Training on Test Data with Bayesian Adaptation for Covariate Shift [96.3250517412545]
  ディープニューラルネットワークは、信頼できない不確実性推定で不正確な予測を行うことが多い。 分布シフトの下でのラベルなし入力とモデルパラメータとの明確に定義された関係を提供するベイズモデルを導出する。 本手法は精度と不確実性の両方を向上することを示す。
  論文  参考訳（メタデータ） (2021-09-27T01:09:08Z)
• On the Practicality of Deterministic Epistemic Uncertainty [106.06571981780591]
  決定論的不確実性法(DUM)は,分布外データの検出において高い性能を達成する。 DUMが十分に校正されており、現実のアプリケーションにシームレスにスケールできるかどうかは不明だ。
  論文  参考訳（メタデータ） (2021-07-01T17:59:07Z)
• The Hidden Uncertainty in a Neural Networks Activations [105.4223982696279]
  ニューラルネットワークの潜在表現の分布は、アウト・オブ・ディストリビューション(OOD)データの検出に成功している。 本研究は、この分布が、モデルの不確実性と相関しているかどうかを考察し、新しい入力に一般化する能力を示す。
  論文  参考訳（メタデータ） (2020-12-05T17:30:35Z)
• Unlabelled Data Improves Bayesian Uncertainty Calibration under Covariate Shift [100.52588638477862]
  後続正則化に基づく近似ベイズ推定法を開発した。 前立腺癌の予後モデルを世界規模で導入する上で,本手法の有用性を実証する。
  論文  参考訳（メタデータ） (2020-06-26T13:50:19Z)
• Posterior Network: Uncertainty Estimation without OOD Samples via Density-Based Pseudo-Counts [33.45069308137142]
  Posterior Network (PostNet) は、任意のサンプルに対する予測確率よりも、個々の閉形式後部分布を予測する。 PostNetは、OODの検出とデータセットシフトによる不確実なキャリブレーションにおいて、最先端の成果を達成する。
  論文  参考訳（メタデータ） (2020-06-16T15:16:32Z)

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。