論文の概要: ProOOD: Prototype-Guided Out-of-Distribution 3D Occupancy Prediction

• arxiv url: http://arxiv.org/abs/2604.01081v1
• Date: Wed, 01 Apr 2026 16:11:59 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-04-02 16:44:32.080647
• Title: ProOOD: Prototype-Guided Out-of-Distribution 3D Occupancy Prediction
• Title（参考訳）: ProOOD: Prototype-Guided Out-of-Distribution 3D Occupancy Prediction
• Authors: Yuheng Zhang, Mengfei Duan, Kunyu Peng, Yuhang Wang, Di Wen, Danda Pani Paudel, Luc Van Gool, Kailun Yang,
• Abstract要約: 3Dセマンティック占有予測は自動運転の中心である。 現在の手法は、長い尾のクラスバイアスとアウト・オブ・ディストリビューション(OOD)インプットに弱い。 本稿では,プロトタイプ誘導改良とトレーニング不要なOODスコアを併用した,軽量なプラグアンドプレイ方式ProOODを提案する。
• 参考スコア（独自算出の注目度）: 77.70461178466043
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: 3D semantic occupancy prediction is central to autonomous driving, yet current methods are vulnerable to long-tailed class bias and out-of-distribution (OOD) inputs, often overconfidently assigning anomalies to rare classes. We present ProOOD, a lightweight, plug-and-play method that couples prototype-guided refinement with training-free OOD scoring. ProOOD comprises (i) prototype-guided semantic imputation that fills occluded regions with class-consistent features, (ii) prototype-guided tail mining that strengthens rare-class representations to curb OOD absorption, and (iii) EchoOOD, which fuses local logit coherence with local and global prototype matching to produce reliable voxel-level OOD scores. Extensive experiments on five datasets demonstrate that ProOOD achieves state-of-the-art performance on both in-distribution 3D occupancy prediction and OOD detection. On SemanticKITTI, it surpasses baselines by +3.57% mIoU overall and +24.80% tail-class mIoU; on VAA-KITTI, it improves AuPRCr by +19.34 points, with consistent gains across benchmarks. These improvements yield more calibrated occupancy estimates and more reliable OOD detection in safety-critical urban driving. The source code is publicly available at https://github.com/7uHeng/ProOOD.
• Abstract（参考訳）: 3Dセマンティック占有予測は、自律運転の中心であるが、現在の手法は、長い尾のクラスバイアスとアウト・オブ・ディストリビューション(OOD)入力に弱いため、しばしば稀なクラスに異常を過度に割り当てる。 本稿では,プロトタイプ誘導改良とトレーニング不要なOODスコアを併用した,軽量なプラグアンドプレイ方式ProOODを提案する。 ProOOD の構成 (i)隠蔽領域にクラス一貫性のある特徴を埋めるプロトタイプ誘導意味計算 二 OOD吸収抑制のための希少な表現を強化する試薬誘導尾鉱 3)EchoOODは,局所ロジットコヒーレンスを局所的およびグローバルなプロトタイプマッチングと融合し,信頼性の高いボクセルレベルのOODスコアを生成する。 5つのデータセットに対する大規模な実験により、ProOODは分布内3D占有率予測とOOD検出の両方で最先端のパフォーマンスを達成することが示された。 SemanticKITTIでは、ベースラインを+3.57% mIoU、+24.80%のテールクラスmIoUで上回り、VAA-KITTIではAuPRCrを+19.34ポイント改善し、ベンチマーク全体で一貫したゲインを達成している。 これらの改善により、よりキャリブレーションされた占有率の推定と、安全クリティカルな都市運転におけるより信頼性の高いOOD検出が得られる。 ソースコードはhttps://github.com/7uHeng/ProOOD.comで公開されている。

関連論文リスト

• OODD: Test-time Out-of-Distribution Detection with Dynamic Dictionary [10.19006278808466]
  ディープラーニングモデルでは、アウト・オブ・ディストリビューション(OOD)検出が依然として難しい。 我々は,OOD辞書を微調整なしで動的に保守・更新する新しいテスト時間OOD検出手法OODDを提案する。 我々は,検出性能を維持しながら3倍の高速化を実現する,KNNベースのOOD検出フレームワークの最適化版を提案する。
  論文  参考訳（メタデータ） (2025-03-13T15:41:56Z)
• Iterative Deployment Exposure for Unsupervised Out-of-Distribution Detection [5.019613806273252]
  Iterative Deployment Exposure (IDE)は、アウト・オブ・ディストリビューション(OOD)検出のための、新しくより現実的な設定である。 CSOは、マハラノビス距離と最寄りのアプローチを組み合わせた新しいU-OODスコアリング関数を使用している。 提案手法は, 医用画像の3つのモダリティに対して, 強いベースラインで大幅に改善されていることを示す。
  論文  参考訳（メタデータ） (2024-06-04T13:57:34Z)
• Rethinking Out-of-distribution (OOD) Detection: Masked Image Modeling is All You Need [52.88953913542445]
  簡単な再構築手法を用いることで,OOD検出の性能が大幅に向上する可能性が示唆された。 我々は、OOD検出フレームワーク(MOOD)のプリテキストタスクとして、マスケ画像モデリング(Masked Image Modeling)を採用する。
  論文  参考訳（メタデータ） (2023-02-06T08:24:41Z)
• Pseudo-OOD training for robust language models [78.15712542481859]
  OOD検出は、あらゆる産業規模のアプリケーションに対する信頼性の高い機械学習モデルの鍵となるコンポーネントである。 In-distribution(IND)データを用いて擬似OODサンプルを生成するPOORE-POORE-POSthoc pseudo-Ood Regularizationを提案する。 我々は3つの現実世界の対話システムに関する枠組みを広く評価し、OOD検出における新たな最先端技術を実現した。
  論文  参考訳（メタデータ） (2022-10-17T14:32:02Z)
• Provably Robust Detection of Out-of-distribution Data (almost) for free [124.14121487542613]
  ディープニューラルネットワークは、アウト・オブ・ディストリビューション(OOD)データに対する高い過度な予測を生成することが知られている。 本稿では,認証可能なOOD検出器を標準分類器と組み合わせてOOD認識分類器を提案する。 このようにして、我々は2つの世界のベストを達成している。OOD検出は、分布内に近いOODサンプルであっても、予測精度を損なうことなく、非操作型OODデータに対する最先端のOOD検出性能に近接する。
  論文  参考訳（メタデータ） (2021-06-08T11:40:49Z)
• Robust Out-of-distribution Detection for Neural Networks [51.19164318924997]
  既存の検出機構は, 分布内およびOOD入力の評価において, 極めて脆弱であることを示す。 ALOE と呼ばれる実効性のあるアルゴリズムを提案する。このアルゴリズムは,逆向きに構築された逆数と外数の両方の例にモデルを公開することにより,堅牢なトレーニングを行う。
  論文  参考訳（メタデータ） (2020-03-21T17:46:28Z)

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。