論文の概要: Ranking vs. Assignment: The Metric Mismatch in Multi-View Object Association

• arxiv url: http://arxiv.org/abs/2606.02022v1
• Date: Mon, 01 Jun 2026 10:11:51 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-02 21:34:31.788748
• Title: Ranking vs. Assignment: The Metric Mismatch in Multi-View Object Association
• Title（参考訳）: ランク付け対アサインメント:多視点オブジェクトアソシエーションにおけるメトリックミスマッチ
• Authors: Matvei Shelukhan, Timur Mamedov, Aleksandr Chukhrov, Karina Kvanchiani,
• Abstract要約: マルチビューオブジェクトアソシエーションは重要なコンピュータビジョン問題である。 最近の研究は、モデル評価においてAPやFPR-95のようなペアのランキングに大きく依存している。 我々は、アサインが既に正しい場合でもAPとFPR-95は不完全であり、シンクホーンに基づく正規化はそれらを完璧にすることができることを示した。
• 参考スコア（独自算出の注目度）: 39.30081128341204
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: Multi-view object association is an important computer vision problem that underlies many multi-camera perception tasks. While this task is naturally formulated as a constrained one-to-one matching problem, recent works heavily rely on pairwise ranking metrics like AP and FPR-95 for model evaluation. We highlight a fundamental mismatch between these metrics and the actual assignment objective. Theoretically, we show that AP and FPR-95 can be imperfect even when the assignment is already correct, and that Sinkhorn-based normalization can make them perfect. Conversely, optimal pairwise ranking can still lead to incorrect assignments. We validate this mismatch in practice by using our Sinkhorn-based normalization as a controlled post-processing stress test. We show that optimizing just a few post-processing parameters significantly boosts AP and FPR-95 without corresponding improvements in assignment-level metrics such as ACC and IPAA.
• Abstract（参考訳）: マルチビューオブジェクトアソシエーションは多くのマルチカメラ認識タスクの根底にある重要なコンピュータビジョン問題である。 このタスクは制約付き1対1のマッチング問題として自然に定式化されているが、最近の研究はモデル評価においてAPやFPR-95のようなペアのランキングに大きく依存している。 これらの指標と実際の割り当て目標との根本的なミスマッチを強調します。 理論的には、アサインが既に正しい場合でもAPとFPR-95は不完全であり、シンクホーンに基づく正規化はそれらを完璧にすることができる。 逆に、最適なペアワイズランキングは、いまだに誤った割り当てにつながる可能性がある。 Sinkhornをベースとした正規化を制御後ストレステストとして利用することで,このミスマッチを実際に検証する。 少数の後処理パラメータだけを最適化すると、ACCやIPAAといった割り当てレベルの指標が改善することなく、APとFPR-95が大幅に向上することを示す。

関連論文リスト

• Project-Probe-Aggregate: Efficient Fine-Tuning for Group Robustness [61.45587642780908]
  画像テキスト基礎モデルのパラメータ効率向上のための3段階のアプローチを提案する。 本手法は, マイノリティ標本同定とロバストトレーニングアルゴリズムの2つの重要な要素を改良する。 我々の理論分析は,PPAが少数群の識別を向上し,バランスの取れたグループエラーを最小限に抑えるためにベイズが最適であることを示している。
  論文  参考訳（メタデータ） (2025-03-12T15:46:12Z)
• A Study of Unsupervised Evaluation Metrics for Practical and Automatic Domain Adaptation [15.728090002818963]
  教師なしドメイン適応(UDA)メソッドは、ラベルなしでターゲットドメインへのモデル転送を容易にする。 本稿では,対象の検証ラベルにアクセスすることなく,移動モデルの品質を評価できる評価指標を見つけることを目的とする。
  論文  参考訳（メタデータ） (2023-08-01T05:01:05Z)
• Adaptive Ensemble Q-learning: Minimizing Estimation Bias via Error Feedback [31.115084475673793]
  アンサンブル法はQ-ラーニングにおける過大評価問題を緩和するための有望な方法である。 推定バイアスはアンサンブルサイズに大きく依存していることが知られている。 本研究では, (a) アンサンブルサイズを柔軟に制御するためのフィードバックとなる近似誤差特性と, (b) 推定バイアスを最小化するためのアンサンブルサイズ適応の2つの重要なステップを考案する。
  論文  参考訳（メタデータ） (2023-06-20T22:06:14Z)
• Unsupervised Dense Retrieval with Relevance-Aware Contrastive Pre-Training [81.3781338418574]
  関連性を考慮したコントラスト学習を提案する。 我々は、BEIRおよびオープンドメインQA検索ベンチマークにおいて、SOTAアン教師なしコントリバーモデルを一貫して改善する。 本手法は, 目標コーパスの事前訓練後, BM25に打ち勝つだけでなく, 優れた数発学習者として機能する。
  論文  参考訳（メタデータ） (2023-06-05T18:20:27Z)
• Towards Practical Few-Shot Query Sets: Transductive Minimum Description Length Inference [0.0]
  そこで本研究では,PrimAl Dual Minimum Description LEngth (PADDLE) の定式化について述べる。 制約のあるMDLライクな目的は、いくつかのタスクのデータに適合する有効なクラスのみを保ちながら、起こりうる多数のクラス間の競争を促進する。
  論文  参考訳（メタデータ） (2022-10-26T08:06:57Z)
• Revisiting AP Loss for Dense Object Detection: Adaptive Ranking Pair Selection [19.940491797959407]
  本研究では, 平均精度 (AP) の損失を再考し, その重要な要素は, 正試料と負試料のランキングペアを選択することであることを明らかにした。 本稿では,AP損失を改善するための2つの方法を提案する。第1に,APE(Adaptive Pairwise Error)損失は,正と負の両方のサンプルにおいて,ペアのランク付けに重点を置いている。 MSCOCOデータセットで行った実験は、現在の分類とランキングの損失と比較して、提案手法の優位性を実証し、分析を支援した。
  論文  参考訳（メタデータ） (2022-07-25T10:33:06Z)
• Evaluating Large-Vocabulary Object Detectors: The Devil is in the Details [107.2722027807328]
  我々は、APのデフォルト実装はカテゴリー独立ではなく、適切に校正された検出器を直接報酬するものではないことを発見した。 既定の実装ではゲーム可能なメトリックが生成され、単純で非合理的な再ランクポリシーがAPを大きなマージンで改善できることが示される。 我々は,近年の大規模語彙検出の進歩をベンチマークし,新たなクラスごとの独立性評価において,多くの報告された利益が改善に結びついていないことを発見した。
  論文  参考訳（メタデータ） (2021-02-01T18:56:02Z)

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。