論文の概要: Calibrating Probabilistic Object Detectors with Annotator Disagreement

• arxiv url: http://arxiv.org/abs/2605.24722v1
• Date: Sat, 23 May 2026 20:27:10 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-26 19:50:18.347063
• Title: Calibrating Probabilistic Object Detectors with Annotator Disagreement
• Title（参考訳）: Annotator Disagreement を用いた確率的物体検出器の校正
• Authors: Zhi Qin Tan, Owen Addison, Yunpeng Li,
• Abstract要約: 本稿では,確率的物体検出器の校正のための効率的かつ効果的な枠組みを提案する。 この枠組みは、多くの既存の確率的物体検出器に一般化可能である。 実世界の医療画像と自然画像の合成データセットによる実験結果から,提案手法の優れた性能が示された。
• 参考スコア（独自算出の注目度）: 2.6024316482367387
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: High degrees of disagreement among annotators can exist for ambiguous objects, e.g. in medical images, underscoring the challenges of establishing ground truth annotations in object detection tasks. Despite this, all existing object detectors implicitly require access to ground truth annotations for either training or evaluation. The fundamental questions we target are: How can we learn an object detector with multiple annotators' annotations but without objective ground truth annotations due to object ambiguity, and how can we enable the learned detector to express meaningful model predictive uncertainties in detecting ambiguous objects? To answer these questions, we present an interpretable approach to calibrate probabilistic object detectors, where the calibration goal is to align the class confidence and bounding box variance estimates to the annotators' annotation distribution. We introduce an efficient yet effective framework to calibrate probabilistic object detectors by designing four evaluation metrics to measure calibration errors regarding classification and localization, and proposing a train-time calibration and post-hoc calibrator, all without the need to access any ground truth. This framework is generalizable to many existing probabilistic object detectors, such as the YOLO families and two-stage detectors. Empirical results with real-world and synthetic datasets of medical and natural images demonstrate the superior performance of the proposed framework with three popular object detectors.
• Abstract（参考訳）: アノテータ間の高い不一致度は、例えば医療画像において、オブジェクト検出タスクにおいて、基底真理アノテーションを確立するという課題を浮き彫りにする、あいまいなオブジェクトに対して存在する。 それにもかかわらず、既存のオブジェクト検出器はすべて、トレーニングや評価のために暗黙的に真実のアノテーションにアクセスする必要がある。 複数のアノテーションのアノテーションを持つオブジェクト検出器を、対象の曖昧さによる客観的な真理アノテーションなしでどうやって学習できるのか、そして、学習した検出器が、曖昧なオブジェクトを検出する上で有意義なモデル予測の不確かさを表現できるのか? これらの疑問に答えるために、確率的オブジェクト検出器を校正するための解釈可能なアプローチを提案する。そこでは、校正目標は、クラス信頼度と境界ボックス分散の推定値をアノテータのアノテーション分布に整合させることである。 分類・局所化に関するキャリブレーション誤差を測定するための4つの評価指標を設計し, 列車時キャリブレーションとポストホックキャリブレータを提案することにより, 確率的物体検出器のキャリブレーションを効果的かつ効果的に行うためのフレームワークを提案する。 この枠組みは、YOLOファミリーや2段階検出器など、多くの既存の確率的物体検出器に一般化可能である。 実世界の医用画像と自然画像の合成データセットによる実験結果から,提案フレームワークの3つの人気物体検出器による優れた性能を示す。

関連論文リスト

• 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)
• A Review of Uncertainty Calibration in Pretrained Object Detectors [5.440028715314566]
  多クラス設定における事前訓練対象検出アーキテクチャの不確実性校正特性について検討する。 公平でバイアスのない,繰り返し可能な評価を実現するためのフレームワークを提案する。 検出器のキャリブレーションが低い理由について、新しい知見を提供する。
  論文  参考訳（メタデータ） (2022-10-06T14:06:36Z)
• 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)
• Object Detection as Probabilistic Set Prediction [3.7599363231894176]
  本稿では,確率的物体検出器の評価と訓練を行うための適切なスコアリングルールを提案する。 以上の結果から,既存の検出器のトレーニングは非確率的指標に最適化されていることが示唆された。
  論文  参考訳（メタデータ） (2022-03-15T15:13:52Z)
• Labels Are Not Perfect: Inferring Spatial Uncertainty in Object Detection [26.008419879970365]
  本研究では,生成モデルに基づいて,lidar point cloudのバウンディングボックスラベルの不確かさを推定する。 包括的実験により,提案モデルはライダー知覚とラベル品質の複雑な環境雑音を反映していることがわかった。 ラベルの不確実性を組み込んだ新しい評価指標としてJaccard IoUを提案する。
  論文  参考訳（メタデータ） (2020-12-18T09:11:44Z)
• Slender Object Detection: Diagnoses and Improvements [74.40792217534]
  本稿では,超高アスペクト比,すなわちtextbfslender オブジェクトの特定タイプの検出について検討する。 古典的物体検出法では、細い物体に対してのみ評価される場合、COCO上の18.9%のmAPの劇的な低下が観察される。
  論文  参考訳（メタデータ） (2020-11-17T09:39:42Z)
• Black-box Explanation of Object Detectors via Saliency Maps [66.745167677293]
  対象検出器の予測のための視覚的説明を生成するD-RISEを提案する。 本稿では, YOLOv3などの1段検出器やFaster-RCNNのような2段検出器など, 異なる対象検出器に容易にD-RISEを適用可能であることを示す。
  論文  参考訳（メタデータ） (2020-06-05T02:13:35Z)
• Adaptive Object Detection with Dual Multi-Label Prediction [78.69064917947624]
  本稿では,適応オブジェクト検出のための新しいエンド・ツー・エンドの非教師付き深部ドメイン適応モデルを提案する。 モデルはマルチラベル予測を利用して、各画像内の対象カテゴリ情報を明らかにする。 本稿では,オブジェクト検出を支援するための予測整合正則化機構を提案する。
  論文  参考訳（メタデータ） (2020-03-29T04:23:22Z)

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。