論文の概要: SAFEVPR: Patch-Based Conformal Verification for Safe Cross-Condition Sequence Visual Place Recognition

• arxiv url: http://arxiv.org/abs/2605.28048v1
• Date: Wed, 27 May 2026 06:49:04 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-28 17:38:55.825262
• Title: SAFEVPR: Patch-Based Conformal Verification for Safe Cross-Condition Sequence Visual Place Recognition
• Title（参考訳）: SAFEVPR: 安全なクロスコンディションシーケンスビジュアルプレース認識のためのパッチベースのコンフォーマル検証
• Authors: Ha Sier, Jiaqiang Zhang, Zhuo Zou, Xianjia Yu, Tomi Westerlund,
• Abstract要約: 我々は、安全なクロスコンディションシーケンスVPRのための訓練不能な検証・校正パイプラインであるSAFEVPRを紹介する。 標準的なバックボーンのコサイン類似性を、凍ったDINOv2 ViT特徴から計算された相互アレスト近傍(MNN)パッチマッチングスコアに置き換える。 ターゲットFDRα = 0.10の23/23設定で実証的に有効であり、許容される平均FDR 0.014と平均真正レート(TPR) 0.75を達成する。
• 参考スコア（独自算出の注目度）: 5.408412035055316
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Sequence-based visual place recognition (VPR) for SLAM and robot relocalization must decide whether the retrieved top-1 candidate is safe to accept. Conformal prediction is a natural framework for this accept/reject decision, but its finite-sample guarantees rely on exchangeability between calibration and deployment (test) data, which is violated under cross-condition deployment. We introduce SAFEVPR, a non-trainable verification-and-calibration pipeline for safe cross-condition sequence VPR. SAFEVPR replaces the standard backbone cosine similarity with a mutual-nearest-neighbour (MNN) patch-matching score computed from frozen DINOv2 ViT features, and replaces flat Learn-Then-Test calibration with Mondrian conformal LTT, fitting separate Bonferroni-corrected thresholds across score bins. Under exchangeability, these thresholds would provide finite-sample false-discovery-rate (FDR) control; under condition shift, we evaluate empirical validity per deployment. Across 23 cross-condition setups from Oxford RobotCar, NCLT, and St Lucia datasets, using three frozen VPR backbones, SAFEVPR is empirically valid on 23/23 setups at target FDR alpha = 0.10, achieving mean accepted FDR 0.014 and mean true-positive rate (TPR) 0.75. The results show that raw discrimination alone is not sufficient for conformal validity: AnyLoc-VLAD and Super-Point+LightGlue reach comparable area under the receiver operating characteristic curve (AUROC) but fail more setups under the same calibration. On textureless repetitive scenery, SAFEVPR safely abstains rather than accepting unreliable matches. Code is available at https://github.com/Hasar12139/SafeVPR.
• Abstract（参考訳）: SLAMとロボット再局在のためのシーケンスベースの視覚的位置認識(VPR)は、取得したトップ1候補が受け入れられるかどうかを判断する必要がある。 コンフォーマル予測は、このアクセプション/リジェクト決定の自然なフレームワークであるが、有限サンプル保証は、キャリブレーションとデプロイメント(テスト)データ間の交換可能性に依存しており、これはクロスコンディションのデプロイメントで違反される。 我々は、安全なクロスコンディションシーケンスVPRのための訓練不能な検証・校正パイプラインであるSAFEVPRを紹介する。 SAFEVPRは、標準的なバックボーンのコサイン類似性を、凍ったDINOv2 ViT特徴から計算されたMNNパッチマッチングスコアに置き換え、平らなLearning-Then-TestキャリブレーションをMondrian conformal LTTに置き換え、スコアビン間でBonferroni補正閾値を個別に設定する。 交換可能性の下では、これらの閾値は有限サンプル偽発見レート(FDR)制御を提供するが、条件シフトでは、配置毎の経験的妥当性を評価する。 オックスフォード・ロボットカー、NCLT、セントルシアの3つの冷凍VPRバックボーンを用いた23のクロスコンディションセットアップのうち、SAFEVPRはターゲットFDRα = 0.10で23/23のセットアップで実証的に有効であり、平均的なFDR0.014と平均真正レート(TPR 0.75)を達成する。 AnyLoc-VLAD と SuperPoint+LightGlue は、受信機動作特性曲線 (AUROC) の下では同等の領域に到達するが、同じキャリブレーション下ではより多くの設定を失敗する。 テクスチャのない反復シーンでは、SAFEVPRは信頼できない試合を受け入れるのではなく、安全に棄権する。 コードはhttps://github.com/Hasar12139/SafeVPRで公開されている。

関連論文リスト

• Empirical Bayes Conformal Prediction for Vision and Language Models [20.40115871314124]
  コンフォーマル予測(CP)は、現代のビジョンと言語モデルに対して、分布のないカバレッジを提供する。 標準CP は 1 つの実現法を使い、平均列キャリブレートの変種は点推定に滑らかな多重実現法を用いる。 実験的なベイズ共形予測フレームワークについて述べる。これは$r$-valuesを用いて、スコアの変動性を不確実な非整合性スコアに変換する。
  論文  参考訳（メタデータ） (2026-05-22T03:17:14Z)
• KappaPlace: Learning Hyperspherical Uncertainty for Visual Place Recognition via Prototype-Anchored Supervision [3.7599363231894176]
  視覚的位置認識(VPR)は自律ナビゲーションに不可欠である。 標準パイプラインは、クエリがあいまいであったり、マッチが正しくない可能性がある場合に、確実に信号を送ることができない。 我々は不確実性を認識したVPR表現を学習するための原則的フレームワークであるKappaPlaceを提案する。
  論文  参考訳（メタデータ） (2026-05-19T06:45:27Z)
• Conformal Path Reasoning: Trustworthy Knowledge Graph Question Answering via Path-Level Calibration [31.29584002718744]
  本稿では,2つの重要なイノベーションを持つ信頼性の高いKGQAフレームワークであるConformal Path Reasoning (CPR)を提案する。 まず、経路レベルのスコアに対してクエリレベルの共形キャリブレーションを行い、経路予測セットを生成しながら交換性を維持する。 第2にResidual Conformal Value Network (RCVNet)を導入する。これはPUCT誘導探索によって訓練された軽量モジュールで、識別パスレベルの非整合性スコアを学習する。
  論文  参考訳（メタデータ） (2026-05-08T17:57:13Z)
• Prompt-Induced Score Variance in Zero-Shot Binary Vision-Language Safety Classification [43.86209535250233]
  クロスプロンプト分散は、プロンプトレベルの不一致とより高いエラーと強く関連している。 トレーニングフリーの平均アンサンブルは、14のデータセットモデル評価ペアすべてでNLLを改善する。 ゼロショットVLMの第1スコアに対する信頼性ストレステストとみなす。
  論文  参考訳（メタデータ） (2026-05-01T01:06:30Z)
• LEC: Linear Expectation Constraints for False-Discovery Control in Selective Prediction and Routing Systems [95.35293543918762]
  大規模言語モデル(LLM)はしばしば信頼できない答えを生成するが、不確実性のある手法は誤った予測と完全に区別することができない。 我々は、この問題を、偽発見率(FDR)制御のレンズを通して解決し、全ての許容された予測のうち、エラーの割合が目標のリスクレベルを超えないことを保証する。 本稿では,線形期待制約を強制することで,選択予測を制約付き決定問題として再解釈するLECを提案する。
  論文  参考訳（メタデータ） (2025-12-01T11:27:09Z)
• Reinforcement Learning with Verifiable yet Noisy Rewards under Imperfect Verifiers [90.50039419576807]
  RLVR(Reinforcement Learning with Verifiable Rewards)は、人為的なラベル付けを避けるために、自動検証に対するポリシーを訓練する。 認証ハッキングの脆弱性を軽減するため、多くのRLVRシステムはトレーニング中にバイナリ$0,1$の報酬を破棄する。 この選択にはコストがかかる:textitfalse negatives(正しい回答、FNを拒絶)とtextitfalse positives(間違った回答、FPを受け入れる)を導入する。
  論文  参考訳（メタデータ） (2025-10-01T13:56:44Z)
• Unsupervised Conformal Inference: Bootstrapping and Alignment to Control LLM Uncertainty [49.19257648205146]
  生成のための教師なし共形推論フレームワークを提案する。 我々のゲートは、分断されたUPPよりも厳密で安定した閾値を提供する。 その結果は、ラベルのない、API互換の、テスト時間フィルタリングのゲートになる。
  論文  参考訳（メタデータ） (2025-09-26T23:40:47Z)
• COIN: Uncertainty-Guarding Selective Question Answering for Foundation Models with Provable Risk Guarantees [51.5976496056012]
  COINは、統計的に有効な閾値を校正し、質問毎に1つの生成された回答をフィルタリングする不確実性保護選択フレームワークである。 COINはキャリブレーションセット上で経験的誤差率を推定し、信頼区間法を適用して真誤差率に高い確率上界を確立する。 リスク管理におけるCOINの堅牢性,許容回答を維持するための強いテストタイムパワー,キャリブレーションデータによる予測効率を実証する。
  論文  参考訳（メタデータ） (2025-06-25T07:04:49Z)
• Robust Conformal Prediction with a Single Binary Certificate [58.450154976190795]
  コンフォーマル予測(CP)は、任意のモデルの出力を、真のラベルを(調整可能な)高い確率でカバーすることを保証した予測セットに変換する。 我々は,MCサンプルが著しく低い場合でも,より小さな集合を生成する頑健な共形予測を提案する。
  論文  参考訳（メタデータ） (2025-03-07T08:41:53Z)
• False: False Negative Samples Aware Contrastive Learning for Semantic Segmentation of High-Resolution Remote Sensing Image [11.356381535900901]
  高分解能RSIのセマンティックセグメンテーションのためのFalse negAtive sampLes aware contraStive lEarning model (FALSE)を提案する。 SSCL事前訓練は監督されないため、偽陰性サンプル(FNS)の判定可能な基準の欠如は理論的不確定性をもたらす。 我々は、FNS自己決定戦略によるFNSの粗い決定を達成し、FNS信頼度補正(FNCC)損失関数によるFNSの校正を実現する。
  論文  参考訳（メタデータ） (2022-11-15T06:24:26Z)

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。