論文の概要: Energy-Aware NECO for Single-Pass Pixel-wise Out-of-Distribution Detection in Semantic Segmentation

• arxiv url: http://arxiv.org/abs/2605.29773v1
• Date: Thu, 28 May 2026 11:19:46 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-30 02:45:56.196925
• Title: Energy-Aware NECO for Single-Pass Pixel-wise Out-of-Distribution Detection in Semantic Segmentation
• Title（参考訳）: セマンティックセグメンテーションにおけるシングルパス画素単位のアウト・オブ・ディストリビューション検出のためのエネルギー対応NECO
• Authors: Boyuan Zhang, Huanshan Huang, Yifei Cao,
• Abstract要約: セマンティックセグメンテーションのための単一パス画素単位のアウト・オブ・ディストリビューション検出器であるEnergy-Aware NECOを提案する。 この方法は、デコーダの特徴から計算された中心となるNECOスタイルの幾何比と、ロジットベースのエネルギスコアを組み合わせる。 提案したハイブリッドスコアは0.8539でNECOのみ(0.8280)、エネルギーのみ(0.8171)、アンサンブル予測エントロピーベースライン(0.8124)を上回っている。
• 参考スコア（独自算出の注目度）: 0.6067121326839308
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Reliable semantic segmentation for mobile robots requires both accurate dense prediction and robust uncertainty estimation under distribution shift. Strong uncertainty baselines such as Monte Carlo Dropout often require repeated stochastic forward passes and are difficult to deploy on edge platforms. We propose Energy-Aware NECO, a single-pass pixel-wise out-of-distribution (OOD) detector for semantic segmentation. The method combines a centered NECO-style geometric ratio computed from decoder features with a logit-based Energy score. Both components are standardized using statistics fitted on a pure in-distribution validation split and fused through a convex combination. We evaluate the method on the miniMUAD subset using true pixel-level OOD labels. The proposed hybrid score achieves an AUROC of 0.8539, outperforming NECO-only (0.8280), Energy-only (0.8171), and an ensemble predictive-entropy baseline (0.8124). Additional qualitative and operating-point analyses show that the hybrid detector improves overall ranking performance while preserving the efficiency advantages of a single-pass design. Code is available at https://github.com/boyuan-zhangx/Energy-Aware_NECO
• Abstract（参考訳）: 移動ロボットの信頼性の高いセマンティックセグメンテーションには, 正確な密度予測と分布シフトによるロバストな不確実性推定の両方が必要である。 モンテカルロ・ドロップアウトのような強い不確実性ベースラインは、しばしば確率論的前方通過を必要とし、エッジプラットフォームへの展開が困難である。 セマンティックセグメンテーションのための単一パス画素単位のアウト・オブ・ディストリビューション(OOD)検出器であるEnergy-Aware NECOを提案する。 この方法は、デコーダの特徴から計算された中心となるNECOスタイルの幾何比と、ロジットベースのエネルギスコアを組み合わせる。 両コンポーネントは、純粋な分布内検証を分割した統計値を用いて標準化され、凸結合を介して融合される。 本手法を画素レベルのOODラベルを用いてミニMUADサブセット上で評価する。 提案したハイブリッドスコアは0.8539でNECOのみ(0.8280)、エネルギーのみ(0.8171)、アンサンブル予測エントロピーベースライン(0.8124)を上回っている。 さらなる定性的および操作点分析により、ハイブリッド検出器は、シングルパス設計の効率性を維持しながら、全体的なランク付け性能を向上させることが示された。 コードはhttps://github.com/boyuan-zhangx/Energy-Aware_NECOで公開されている。

関連論文リスト

• AdaMerge: Salience-Aware Adaptive Token Merging for Training-Free Acceleration of Vision Transformers [5.739405014622565]
  AdaMergeは2つの補完メカニズムに基づいたトークンマージフレームワークである。 ToMe、PiToMe、DSMよりずっと優れています。
  論文  参考訳（メタデータ） (2026-05-26T05:35:39Z)
• SegWithU: Uncertainty as Perturbation Energy for Single-Forward-Pass Risk-Aware Medical Image Segmentation [4.682269529678948]
  このフレームワークは、凍結したトレーニング済みセグメンテーションバックボーンを軽量な不確実性ヘッドで拡張します。 SegWithUは、ランク1の後部プローブを用いたコンパクトなプローブ空間において、中間のバックボーンの特徴をタップし、摂動エネルギーとして不確実性をモデル化する。 確率テンパリングのためのキャリブレーション指向マップと、エラー検出と選択予測のためのランク指向マップの2つのボクセルワイド不確実性マップを生成する。
  論文  参考訳（メタデータ） (2026-04-16T17:42:42Z)
• BiGain: Unified Token Compression for Joint Generation and Classification [47.040577759493004]
  BiGainは、高速拡散モデルにおける分類を改善しながら、生成品質を保ちながら、トレーニング不要でプラグアンドプレイのフレームワークである。 我々の重要な洞察は周波数分離であり、これは大域的な意味論から細部を解き、生成的忠実さと識別的有用性の両方を尊重する圧縮を可能にする。 本分析は,拡散モデルにおけるトークン圧縮のための信頼性の高い設計規則として,高頻度の細部と低周波数のセマンティクスを保存したスペクトル保持が重要であることを示す。
  論文  参考訳（メタデータ） (2026-03-12T17:55:53Z)
• ODAR: Principled Adaptive Routing for LLM Reasoning via Active Inference [60.958331943869126]
  ODAR-Expertは、原則化されたリソース割り当てによる精度と効率のトレードオフを最適化する適応的なルーティングフレームワークである。 我々は、MATHの98.2%の精度、HumanityのLast Examの54.8%を含む、強く一貫した利得を示している。
  論文  参考訳（メタデータ） (2026-02-27T05:22:01Z)
• Halt the Hallucination: Decoupling Signal and Semantic OOD Detection Based on Cascaded Early Rejection [7.227431306238601]
  粗い論理による異常検出のための階層的フィルタリングを実現するカスケード早期退避(CER)フレームワークを提案する。 実験の結果、CERは計算オーバーヘッドを32%削減するだけでなく、CIFAR-100ベンチマークの大幅な性能向上も達成している。
  論文  参考訳（メタデータ） (2026-02-06T02:55:35Z)
• Cross-modal Proxy Evolving for OOD Detection with Vision-Language Models [59.242742594156546]
  CoEvoは、テキストプロキシとビジュアルプロキシの両方を双方向でサンプル条件で適応するテストタイムフレームワークである。 CoEvoは最先端のパフォーマンスを実現し、AUROCを1.33%改善し、ImageNet-1KではFPR95を45.98%削減した。
  論文  参考訳（メタデータ） (2026-01-13T12:08:26Z)
• 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)
• Efficient Multi-Task Inferencing: Model Merging with Gromov-Wasserstein Feature Alignment [7.436562917907035]
  本稿では,Gromov-Wasserstein Scoring Model Merging (GW-SMM)法を提案する。 グロモフ=ワッサーシュタイン距離で測定された特徴分布の類似性に基づいてモデルをマージする。 我々は,人間の知識に対するアプローチとGPT-o1をベースとしたマージ手法の検証を行った。
  論文  参考訳（メタデータ） (2025-03-12T19:20:33Z)
• Meta Learning Low Rank Covariance Factors for Energy-Based Deterministic Uncertainty [58.144520501201995]
  ニューラルネットワーク層のBi-Lipschitz正規化は、各レイヤの特徴空間におけるデータインスタンス間の相対距離を保存する。 注意セットエンコーダを用いて,タスク固有の共分散行列を効率的に構築するために,対角的,対角的,低ランクな要素のメタ学習を提案する。 また,最終的な予測分布を達成するために,スケールしたエネルギーを利用する推論手法を提案する。
  論文  参考訳（メタデータ） (2021-10-12T22:04:19Z)
• SADet: Learning An Efficient and Accurate Pedestrian Detector [68.66857832440897]
  本稿では,一段検出器の検出パイプラインに対する一連の最適化手法を提案する。 効率的な歩行者検出のための単発アンカーベース検出器(SADet)を形成する。 構造的には単純だが、VGA解像度の画像に対して最先端の結果と20ドルFPSのリアルタイム速度を示す。
  論文  参考訳（メタデータ） (2020-07-26T12:32:38Z)

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。