論文の概要: Query2Uncertainty: Robust Uncertainty Quantification and Calibration for 3D Object Detection under Distribution Shift

• arxiv url: http://arxiv.org/abs/2605.05328v1
• Date: Wed, 06 May 2026 18:01:19 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-08 22:27:11.355444
• Title: Query2Uncertainty: Robust Uncertainty Quantification and Calibration for 3D Object Detection under Distribution Shift
• Title（参考訳）: Query2不確かさ:分布シフトによる3次元物体検出のためのロバスト不確かさの定量化と校正
• Authors: Till Beemelmanns, Alexey Nekrasov, Stefan Vilceanu, Jonas Steinhaus, Timo Woopen, Bastian Leibe, Lutz Eckstein,
• Abstract要約: 本稿では,3次元物体検出器からの潜時オブジェクトクエリの特徴密度と,ポストホックキャリブレータを結合した密度対応キャリブレーション手法を提案する。 提案手法は, 配電・配電両シナリオにおいて, 標準的なポストホック法より一貫して優れる。
• 参考スコア（独自算出の注目度）: 10.582735494182911
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Reliable uncertainty estimation for 3D object detection is critical for deploying safe autonomous systems, yet modern detectors remain poorly calibrated, especially under distribution shifts. Although post-hoc calibration methods address this issue and provide improved calibration for in-distribution tests, they fail to adapt in distribution-shifted scenarios. In this work, we address this issue and introduce a density-aware calibration method that couples post-hoc calibrators with the feature density of latent object queries from DETR-style 3D object detectors. These queries form a compact, location and class-aware feature, ideal for density estimation, allowing our approach to adjust model confidences in distribution-shift scenarios. By fitting a density estimator on these query features, our approach jointly recalibrates both classification and bounding box regression uncertainties. On both a multi-view camera and LiDAR-based detector, our approach consistently outperforms standard post-hoc methods in both in-distribution and distribution-shifted scenarios. Code available https://tillbeemelmanns.github.io/query2uncertainty/ .
• Abstract（参考訳）: 3次元物体検出の信頼性の高い不確実性評価は、安全な自律システムを展開する上で重要であるが、現代の検出器は、特に分布シフト下では、調整が不十分なままである。 ポストホックキャリブレーション法はこの問題に対処し、分散テストのキャリブレーションの改善を提供するが、分散シフトのシナリオでは適用できない。 本研究では,この問題に対処し,DTRスタイルの3Dオブジェクト検出器からの潜時オブジェクトクエリの特徴密度と,ポストホックキャリブレータを結合する密度対応キャリブレーション手法を提案する。 これらのクエリは、密度推定に理想的なコンパクトで位置認識とクラス認識の機能を形成し、分散シフトシナリオにおけるモデルの信頼性を調整できる。 これらの問合せ特徴に密度推定器を組み込むことにより,本手法は分類と境界ボックスの回帰不確かさを両立させる。 マルチビューカメラとLiDARベースの検出器の両方において、本手法は、分散および分散シフトの両方のシナリオにおいて、標準のポストホック法より一貫して優れている。 コードはhttps://tillbeemelmanns.github.io/query2uncertainty/。

関連論文リスト

• Calibrating the Full Predictive Class Distribution of 3D Object Detectors for Autonomous Driving [8.046180274721541]
  全クラスにわたる完全な予測信頼分布のキャリブレーションを考慮する必要があると論じる。 本稿では,主予測の校正と完全予測ベクトルをトレーニング目標とする2つの補助正則化損失項を提案する。
  論文  参考訳（メタデータ） (2025-10-02T09:22:03Z)
• Uncertainty-Aware AB3DMOT by Variational 3D Object Detection [74.8441634948334]
  不確実性推定は統計的に正確な予測を提供する効果的なツールである。 本稿では,変分ニューラルネットワークを用いたTANet 3Dオブジェクト検出器を提案し,不確実性のある3Dオブジェクト検出を行う。
  論文  参考訳（メタデータ） (2023-02-12T14:30:03Z)
• 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)
• Bayesian Confidence Calibration for Epistemic Uncertainty Modelling [4.358626952482686]
  キャリブレーション法の不確実性を考慮した信頼度推定手法を提案する。 物体検出校正のための最先端校正性能を実現する。
  論文  参考訳（メタデータ） (2021-09-21T10:53:16Z)
• Uncertainty-Aware Camera Pose Estimation from Points and Lines [101.03675842534415]
  Perspective-n-Point-and-Line (Pn$PL) は、2D-3D特徴座標の3Dモデルに関して、高速で正確で堅牢なカメラローカライゼーションを目指している。
  論文  参考訳（メタデータ） (2021-07-08T15:19:36Z)

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。