論文の概要: Rethinking Detection Calibration: A Coordinate and Direction Perspective

• arxiv url: http://arxiv.org/abs/2607.29040v1
• Date: Fri, 31 Jul 2026 05:42:02 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-08-03 14:29:40.609712
• Title: Rethinking Detection Calibration: A Coordinate and Direction Perspective
• Title（参考訳）: 検出校正の再考:コーディネートと方向性
• Abstract要約: ディープラーニングに基づくオブジェクト検出器は、競合検出性能以上の信頼性を必要とする。 ディープニューラルネットワークは、不正確である可能性のある予測に高い信頼度スコアを割り当て、過度に信頼する傾向にある。 本稿では、座標レベルの信頼度を信頼性の高いものにする、検出キャリブレーション(ReDC)を再考する、新しいポストホック校正フレームワークを提案する。
• 参考スコア（独自算出の注目度）: 14.41191132517119
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: Deep learning based object detectors require trustworthiness beyond competitive detection performance, but deep neural networks are prone to overconfident predictions, assigning high confidence scores to predictions that are likely to be inaccurate. To improve the alignment between confidence scores and prediction accuracy, existing methods calibrate confidence scores based on box-level localization, such as precision or intersection over union with the ground truth bounding box. However, box-level localization reflects only a measure of agreement between the predicted box and the ground truth, resulting in calibrated confidence scores for box-level accuracy failing to capture the localization accuracy of coordinates of box. To tackle this issue, we propose a novel post-hoc calibration framework, rethinking detection calibration (ReDC), which provides reliable coordinate-level confidence scores, including directional information. The proposed framework defines coordinate-wise alignment and deviation direction between predictions and ground truth. Based on the alignment measure, confidence re-encoding produces reliable coordinate-level confidence scores, while directional displacement estimation predicts coordinate-wise deviation directions. Extensive experiments under in-domain and out-domain scenarios demonstrate that the proposed approach expresses the coordinate-wise localization of detected objects more precisely than existing methods. Furthermore, our method covers the representational scope of prior calibration approaches by aggregating coordinate-level confidence scores into box-level localization.
• Abstract（参考訳）: ディープラーニングに基づくオブジェクト検出は、競合検出性能以上の信頼性を必要とするが、ディープニューラルネットワークは、不正確な予測に高い信頼度スコアを割り当てる、過度な予測を行う傾向がある。 信頼度スコアと予測精度の整合性を改善するため、既存の手法では、信頼度スコアをボックスレベルの局所化に基づいて校正する。 しかし、ボックスレベルの局所化は予測されたボックスと地上の真実との一致の尺度のみを反映しており、その結果、ボックスレベルの精度のキャリブレーションされた信頼スコアは、ボックスの座標のローカライズ精度の取得に失敗する。 この問題に対処するために,方向情報を含む信頼性の高い座標レベルの信頼性スコアを提供する検出校正(ReDC)を再考する,新しいポストホック校正フレームワークを提案する。 提案フレームワークは,予測と地底真理の座標的アライメントと偏差方向を定義する。 このアライメント尺度に基づいて、信頼度再符号化は信頼性の高い座標レベルの信頼度スコアを生成し、方向変位推定は座標偏差方向を予測する。 ドメイン内およびドメイン外シナリオ下での広範囲な実験により,提案手法は検出対象の座標的局所化を既存の手法よりも正確に表現することを示した。 さらに,座標レベルの信頼度スコアをボックスレベルの局所化に集約することで,事前校正手法の表現範囲を網羅する。

関連論文リスト

• Conformal Changepoint Localization and Root Cause Analysis with Corrupted Observations [55.76952683833966]
  本稿では,データ破損時の信頼性設定サイズを低減するために,重み付きCONCH(W-CONCH)と重み付きCROC(W-CROC)を提案する。 画像ベースおよび実世界の変化点と根本原因ベンチマークの実験は、不確実性ベースの重み付けが信頼性セットのサイズを大幅に減少させることを示している。
  論文  参考訳（メタデータ） (2026-07-29T05:16:59Z)
• 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)
• Calibration of Network Confidence for Unsupervised Domain Adaptation Using Estimated Accuracy [13.22445242068721]
  本稿では,対象領域上でのネットワークの精度を推定するキャリブレーション手法を提案する。 提案アルゴリズムは,推定精度と計算された信頼度との差を最小化することにより,目標領域の予測信頼度を直接調整する。
  論文  参考訳（メタデータ） (2024-09-06T12:46:43Z)
• Revisiting Confidence Estimation: Towards Reliable Failure Prediction [53.79160907725975]
  多くの信頼度推定法は誤分類誤りを検出するのに有害である。 本稿では, 最先端の故障予測性能を示す平坦な最小値を求めることにより, 信頼性ギャップを拡大することを提案する。
  論文  参考訳（メタデータ） (2024-03-05T11:44:14Z)
• Towards Calibrated Deep Clustering Network [60.71776081164377]
  ディープクラスタリングでは、特定のクラスタに属するサンプルに対する推定信頼度はその実際の予測精度を大きく上回る。 推定された信頼度と実際の精度を効果的にキャリブレーションできる新しいデュアルヘッド(キャリブレーションヘッドとクラスタリングヘッド)深層クラスタリングモデルを提案する。 提案したキャリブレーション深層クラスタリングモデルでは, キャリブレーション誤差の予測値において, 最先端の深部クラスタリング手法を平均5倍に越えるだけでなく, クラスタリング精度も大幅に向上する。
  論文  参考訳（メタデータ） (2024-03-04T11:23:40Z)
• Localization-Guided Track: A Deep Association Multi-Object Tracking Framework Based on Localization Confidence of Detections [4.565826090373598]
  局所化信頼度はMOTで初めて適用され、検出ボックスの外観明快さと位置化精度が考慮される。 提案手法は, 比較した最先端追跡法より優れる。
  論文  参考訳（メタデータ） (2023-09-18T13:45:35Z)
• ConfMix: Unsupervised Domain Adaptation for Object Detection via Confidence-based Mixing [32.679280923208715]
  オブジェクト検出のための教師なしドメイン適応(UDA)は、ソースドメインでトレーニングされたモデルを適用して、アノテーションが利用できない新しいターゲットドメインからインスタンスを検出することを目的としている。 適応型物体検出学習のための領域レベルの検出信頼度に基づくサンプル混合戦略を初めて導入するConfMixを提案する。
  論文  参考訳（メタデータ） (2022-10-20T19:16:39Z)
• Learning Calibrated Uncertainties for Domain Shift: A Distributionally Robust Learning Approach [150.8920602230832]
  ドメインシフトの下で校正された不確実性を学習するためのフレームワークを提案する。 特に、密度比推定は、ターゲット(テスト)サンプルの近さをソース(トレーニング)分布に反映する。 提案手法は下流タスクに有利な校正不確実性を生成する。
  論文  参考訳（メタデータ） (2020-10-08T02:10:54Z)
• 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)
• Optimal Change-Point Detection with Training Sequences in the Large and Moderate Deviations Regimes [72.68201611113673]
  本稿では,情報理論の観点から,新しいオフライン変化点検出問題について検討する。 基礎となる事前および変更後分布の知識は分かっておらず、利用可能なトレーニングシーケンスからのみ学習できると仮定する。
  論文  参考訳（メタデータ） (2020-03-13T23:39:40Z)

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。