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
- 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
- Discovery of Hidden Miscalibration Regimes [52.452902154360565]
モデルは何らかの入力を体系的に過信し、他人を過信することがある。
対応する誤校正分野を定義し,それを推定するための診断フレームワークを提案する。
提案手法は,入力空間のキャリブレーションを意識した表現を学習し,学習幾何学におけるカーネルの平滑化による符号付き局所的誤校正を推定する。
論文 参考訳（メタデータ） (2026-05-13T13:07:50Z) - 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) - Adaptive Dual Uncertainty Optimization: Boosting Monocular 3D Object Detection under Test-Time Shifts [80.32933059529135]
TTA(Test-Time Adaptation)メソッドが出現し、推論中にターゲット分布に適応する。
我々は、堅牢なM3ODの両不確実性を共同で最小化するために設計された、最初のTTAフレームワークであるDual Uncertainity Optimization (DUO)を提案する。
並列に,明瞭な意味的手がかりを持つ領域における幾何学的コヒーレンスを保存する意味認識型正規場制約を設計する。
論文 参考訳（メタデータ） (2025-08-28T07:09:21Z) - Cal or No Cal? -- Real-Time Miscalibration Detection of LiDAR and Camera Sensors [0.8437187555622164]
安全の観点からは、センサーのキャリブレーションは自動運転の鍵となる。
オンラインキャリブレーションは厳格なリアルタイムとリソースの制約を受ける。
校正パラメータの直接回帰から校正状態のバイナリ分類に焦点を移す誤校正検出フレームワークを提案する。
論文 参考訳（メタデータ） (2025-03-31T08:13:23Z) - Calib3D: Calibrating Model Preferences for Reliable 3D Scene Understanding [55.32861154245772]
Calib3Dは3Dシーン理解モデルの信頼性をベンチマークし精査する先駆的な試みである。
10の異なる3Dデータセットにまたがる28の最先端モデルを総合的に評価する。
本稿では,3次元モデルのキャリブレーション向上を目的とした,深度対応のスケーリング手法であるDeptSを紹介する。
論文 参考訳（メタデータ） (2024-03-25T17:59:59Z) - 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) - Multivariate Confidence Calibration for Object Detection [7.16879432974126]
本稿では,物体検出手法の偏りのある信頼度推定を計測・校正するための新しい枠組みを提案する。
提案手法により,画像位置とボックススケールに対する補正された信頼度推定値が得られた。
提案手法は,物体検出タスクにおける最先端キャリブレーションモデルよりも優れていることを示す。
論文 参考訳（メタデータ） (2020-04-28T14:17:41Z)
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。