論文の概要: Knowledge-Guided Failure Prediction: Detecting When Object Detectors Miss Safety-Critical Objects

• arxiv url: http://arxiv.org/abs/2603.25499v1
• Date: Thu, 26 Mar 2026 14:38:20 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-03-27 20:52:48.336843
• Title: Knowledge-Guided Failure Prediction: Detecting When Object Detectors Miss Safety-Critical Objects
• Title（参考訳）: 知識誘導型故障予測:物体検出器が安全クリティカルな物体を見逃したときの検出
• Authors: Jakob Paul Zimmermann, Gerrit Holzbach, David Lerch,
• Abstract要約: 表現に基づく監視フレームワークは、実行時に検出される異常として、ミスセーフクリティカルな検出を扱う。 重要な性質は、検出器がその能力の外で動作しているか、視覚基盤モデル自体が新しい入力に遭遇している場合、2つの埋め込みは分岐するということである。 COCO人物検出では、KGFPを選択的予測ゲートとして適用すると、FPR(False Positive Rate)の5%で64.3%から84.5%まで、受理画像中の人物のリコールが増加する。 私たちのコード、モデル、機能はhttps://gitlab.cc-asp.fraunhofer.de/iosb_public/KGFPで公開されています。
• 参考スコア（独自算出の注目度）: 0.764671395172401
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Object detectors deployed in safety-critical environments can fail silently, e.g. missing pedestrians, workers, or other safety-critical objects without emitting any warning. Traditional Out Of Distribution (OOD) detection methods focus on identifying unfamiliar inputs, but do not directly predict functional failures of the detector itself. We introduce Knowledge Guided Failure Prediction (KGFP), a representation-based monitoring framework that treats missed safety-critical detections as anomalies to be detected at runtime. KGFP measures semantic misalignment between internal object detector features and visual foundation model embeddings using a dual-encoder architecture with an angular distance metric. A key property is that when either the detector is operating outside its competence or the visual foundation model itself encounters novel inputs, the two embeddings diverge, producing a high-angle signal that reliably flags unsafe images. We compare our novel KGFS method to baseline OOD detection methods. On COCO person detection, applying KGFP as a selective-prediction gate raises person recall among accepted images from 64.3% to 84.5% at 5% False Positive Rate (FPR), and maintains strong performance across six COCO-O visual domains, outperforming OOD baselines by large margins. Our code, models, and features are published at https://gitlab.cc-asp.fraunhofer.de/iosb_public/KGFP.
• Abstract（参考訳）: 安全クリティカルな環境に配備された物体検出装置は、歩行者、労働者、その他の安全クリティカルな物体を警告を発することなく、静かに失敗する可能性がある。 従来のout Of Distribution (OOD) 検出手法は、不慣れな入力を識別することに重点を置いているが、検出器自体の機能的故障を直接予測するものではない。 KGFP(Knowledge Guided Failure Prediction)は,異常検出を実行時に検出する異常として処理する,表現に基づく監視フレームワークである。 KGFPは、角距離距離の2エンコーダアーキテクチャを用いて、内部オブジェクト検出器の特徴と視覚基盤モデルの埋め込みのセマンティックなずれを測定する。 重要な特性は、検出器がその能力の外で動作しているか、視覚基礎モデル自体が新しい入力に遭遇している場合、2つの埋め込みは分岐し、安全でない画像を確実にフラグする高角信号を生成することである。 我々は,新しいKGFS法とベースラインOOD検出法を比較した。 COCOの人検出では、KGFPを選択的予測ゲートとして適用すると、FPR(False Positive Rate)5%で64.3%から84.5%にリコールされ、6つのCOCO-O視覚領域で強いパフォーマンスを維持し、OODベースラインを大きなマージンで上回る。 私たちのコード、モデル、機能はhttps://gitlab.cc-asp.fraunhofer.de/iosb_public/KGFPで公開されています。

関連論文リスト

• Uncertainty-Aware Post-Detection Framework for Enhanced Fire and Smoke Detection in Compact Deep Learning Models [0.0]
  既存のビジョンベースの手法は、効率性と信頼性のバランスをとる上で困難に直面している。 YOLOv5nやYOLOv8nといったディープラーニングモデルは、UAV、CCTVシステム、IoTデバイスへのデプロイに広く採用されている。 本稿では,統計的不確実性と領域関連視覚的手がかりの両方を用いて,検出信頼度を再スケールする不確実性検出後フレームワークを提案する。
  論文  参考訳（メタデータ） (2025-10-11T08:36:57Z)
• 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)
• A noisy elephant in the room: Is your out-of-distribution detector robust to label noise? [49.88894124047644]
  我々は、最先端のOOD検出方法20について詳しく検討する。 不正に分類されたIDサンプルとOODサンプルの分離が不十分であることを示す。
  論文  参考訳（メタデータ） (2024-04-02T09:40:22Z)
• SliceLocator: Locating Vulnerable Statements with Graph-based Detectors [33.395068754566935]
  SliceLocatorは、すべての潜在的な脆弱性トリガリングステートメントから、最も重み付けされたフローパスを選択することで、最も関連性の高いテントフローを特定する。 SliceLocatorは、最先端の4つのGNNベースの脆弱性検知器で一貫して動作することを示す。
  論文  参考訳（メタデータ） (2024-01-05T10:15:04Z)
• Towards Building Self-Aware Object Detectors via Reliable Uncertainty Quantification and Calibration [17.461451218469062]
  本稿では,自己認識オブジェクト検出(SAOD)タスクを紹介する。 SAODタスクは、自律運転のような安全クリティカルな環境でオブジェクト検出器が直面する課題を尊重し、遵守する。 我々は、多数のオブジェクト検出器をテストするために、新しいメトリクスと大規模なテストデータセットを導入したフレームワークを広範囲に使用しています。
  論文  参考訳（メタデータ） (2023-07-03T11:16:39Z)
• SOOD: Towards Semi-Supervised Oriented Object Detection [57.05141794402972]
  本稿では, 主流の擬似ラベリングフレームワーク上に構築された, SOOD と呼ばれる, 半教師付きオブジェクト指向物体検出モデルを提案する。 提案した2つの損失をトレーニングした場合,SOODはDOTA-v1.5ベンチマークの様々な設定下で,最先端のSSOD法を超越することを示した。
  論文  参考訳（メタデータ） (2023-04-10T11:10:42Z)
• 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)
• GLENet: Boosting 3D Object Detectors with Generative Label Uncertainty Estimation [70.75100533512021]
  本稿では,対象物の潜在的可算有界箱の多様性として,ラベルの不確実性問題を定式化する。 本稿では,条件付き変分オートエンコーダを応用した生成フレームワークであるGLENetを提案する。 GLENetが生成するラベルの不確実性はプラグアンドプレイモジュールであり、既存のディープ3D検出器に便利に統合することができる。
  論文  参考訳（メタデータ） (2022-07-06T06:26:17Z)
• DETReg: Unsupervised Pretraining with Region Priors for Object Detection [103.93533951746612]
  DETRegは、オブジェクト検出ネットワーク全体を事前トレーニングする、新しい自己教師型メソッドである。 事前トレーニング中、DETRegはオブジェクトのローカライゼーションを予測し、教師なしのリージョン提案ジェネレータからのローカライゼーションにマッチする。 対応する機能埋め込みと、自己教師付きイメージエンコーダからの埋め込みを同時に調整する。
  論文  参考訳（メタデータ） (2021-06-08T17:39:14Z)
• DetectorGuard: Provably Securing Object Detectors against Localized Patch Hiding Attacks [28.94435153159868]
  最先端のオブジェクト検出器は、局所的なパッチ隠蔽攻撃に対して脆弱である。 我々は,デザイナガードと呼ばれる局所的なパッチ隠蔽攻撃に対して,確実に堅牢な検出器を構築するための,最初の汎用フレームワークを提案する。
  論文  参考訳（メタデータ） (2021-02-05T02:02:21Z)
• Dense Label Encoding for Boundary Discontinuity Free Rotation Detection [69.75559390700887]
  本稿では,分類に基づく比較的研究の少ない方法論について検討する。 我々は2つの側面でフロンティアを推し進めるための新しい手法を提案する。 航空画像のための大規模公開データセットの実験と視覚解析は,我々のアプローチの有効性を示している。
  論文  参考訳（メタデータ） (2020-11-19T05:42:02Z)

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。