論文の概要: SPK: Eliciting Structured Prior Knowledge for Interpretable Out-of-Distribution Detection in Real-Time Object Detection

• arxiv url: http://arxiv.org/abs/2608.19080v1
• Date: Wed, 19 Aug 2026 16:30:06 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-08-20 20:13:55.460765
• Title: SPK: Eliciting Structured Prior Knowledge for Interpretable Out-of-Distribution Detection in Real-Time Object Detection
• Title（参考訳）: SPK:リアルタイムオブジェクト検出における解釈可能なアウト・オブ・ディストリビューション検出のための構造化された事前知識の排除
• Abstract要約: 我々は,OoD関連先行情報を事前学習対象検出器から明示的に引き出す幻覚指向のフレームワークを提案する。 以上の結果から,OoD検出に一般的に利用されるよりも,すでに訓練済みの物体検出装置が潜伏知識をかなり豊富に符号化していることが明らかとなった。
• 参考スコア（独自算出の注目度）: 12.16827792192346
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Object detectors often produce over-confident predictions for objects outside their training categories, leading to so-called out-of-distribution (OoD) hallucinations. Existing approaches for detecting or mitigating such hallucinations typically either construct scoring functions directly over learned object detector representations or modify the object detector itself to suppress hallucination emergence. However, the latent priors implicitly encoded in these representations remain largely unexplored and have not been explicitly decoded for OoD detection. To uncover and exploit these latent priors, we propose Structured Prior Knowledge (SPK), a hallucination-oriented framework that explicitly elicits OoD-relevant priors from pretrained object detectors. Specifically, SPK leverages in-distribution data and hallucination-inducing samples as diagnostic supervision to elicit part-level semantic concepts underlying object detector decision-making, rather than using them merely for rejection or object detector adaptation. The elicited semantic priors are further integrated with geometric and contextual priors to form a compact five-dimensional SPK representation for OoD detection. Extensive experiments across diverse object detector architectures and multiple OoD benchmarks demonstrate that SPK achieves state-of-the-art OoD detection. Our findings reveal that pretrained object detectors already encode substantially richer latent knowledge than is typically exploited for OoD detection. More importantly, this knowledge can be explicitly elicited and organized into a compact, structured, and interpretable knowledge space for prediction reliability analysis. This suggests a promising proactive route for improving object detector reliability by explicitly uncovering and leveraging latent priors. Code and data are available at: https://gricad-gitlab.univ-grenoble-alpes.fr/dnn-safety/spk
• Abstract（参考訳）: 物体検出器は、訓練カテゴリー外の物体の過信予測をしばしば生成し、いわゆるオフ・オブ・ディストリビューション(OoD)幻覚を引き起こす。 このような幻覚を検知または緩和するための既存のアプローチは、通常、学習対象検出器の表現に直接スコアリング関数を構築するか、あるいは幻覚の発生を抑制するために対象検出器自体を変更するかのいずれかである。 しかし、これらの表現に暗黙的に符号化された潜伏前者は、ほとんど探索されておらず、OoD検出のために明示的に復号化されていない。 そこで本研究では, 事前学習対象検出器からOoD関連先行情報を明示的に引き出す, 幻覚指向のフレームワークであるStructured Prior Knowledge (SPK)を提案する。 具体的には、SPKは分布内データと幻覚誘導サンプルを診断監督として利用し、単に拒絶や物体検出器適応のために使用するのではなく、対象検出器決定の基礎となる部分レベルの意味概念を導き出す。 OoD検出のためのコンパクトな5次元SPK表現を形成するために、抽出されたセマンティックプリエントを幾何学的および文脈的プリエントとさらに統合する。 多様なオブジェクト検出器アーキテクチャと複数のOoDベンチマークにわたる大規模な実験は、SPKが最先端のOoD検出を実現することを実証している。 以上の結果から,OoD検出に一般的に利用されるよりも,すでに訓練済みの物体検出装置が潜伏知識をかなり豊富に符号化していることが明らかとなった。 さらに重要なことは、この知識は、予測信頼性分析のためのコンパクトで構造化され、解釈可能な知識空間に明示的に引き起こされ、組織化することができることである。 これは、オブジェクト検出器の信頼性を向上させるための有望な前向きな経路であることを示している。 https://gricad-gitlab.univ-grenoble-alpes.fr/dnn-safety/spk

関連論文リスト

• Out-of-Distribution Object Detection in Street Scenes via Synthetic Outlier Exposure and Transfer Learning [5.225005253865662]
  アウト・オブ・ディストリビューション(OOD)オブジェクト検出は重要だが未探索の課題である。 textbfSynOE-OD, textbfSynthetic textbfOutlier-textbfExposure-based textbfObject textbfDetection frameworkを提案する。
  論文  参考訳（メタデータ） (2026-03-17T05:06:28Z)
• SFUOD: Source-Free Unknown Object Detection [5.182014186927255]
  ソースフリーオブジェクト検出は、ラベル付きソースデータにアクセスすることなく、ソースドメイン上で事前訓練された検出器をラベル付きターゲットドメインに適応させる。 我々は、未知のオブジェクトを認識できるだけでなく、未定義のオブジェクトを未知のオブジェクトとして検出できる新しいシナリオである Source-Free Unknown Object Detection (SFUOD) を提案する。
  論文  参考訳（メタデータ） (2025-07-23T10:16:25Z)
• Revisiting Out-of-Distribution Detection in Real-time Object Detection: From Benchmark Pitfalls to a New Mitigation Paradigm [8.206992765692535]
  アウト・オブ・ディストリビューション(OoD)入力はディープラーニングモデルに永続的な課題をもたらす。 この研究は、物体検出におけるOoD検出の2つの見落としられた次元に対処する。 外部OoD検出器とは独立に動作する新しい訓練時間緩和パラダイムを導入する。
  論文  参考訳（メタデータ） (2025-03-10T13:42:41Z)
• Seamless Detection: Unifying Salient Object Detection and Camouflaged Object Detection [73.85890512959861]
  本稿では,SOD(Salient Object Detection)とCOD(Camouflaged Object Detection)を統合化するためのタスク非依存フレームワークを提案する。 我々は、間隔層と大域的コンテキストを含む単純で効果的なコンテキストデコーダを設計し、67fpsの推論速度を実現する。 公開SODデータセットとCODデータセットの実験は、教師なし設定と教師なし設定の両方において、提案したフレームワークの優位性を実証している。
  論文  参考訳（メタデータ） (2024-12-22T03:25:43Z)
• Bayesian Detector Combination for Object Detection with Crowdsourced Annotations [49.43709660948812]
  制約のない画像できめ細かなオブジェクト検出アノテーションを取得するのは、時間がかかり、コストがかかり、ノイズに悩まされる。 ノイズの多いクラウドソースアノテーションでオブジェクト検出をより効果的に訓練するための新しいベイズ検出結合(BDC)フレームワークを提案する。 BDCはモデルに依存しず、アノテータのスキルレベルに関する事前の知識を必要とせず、既存のオブジェクト検出モデルとシームレスに統合される。
  論文  参考訳（メタデータ） (2024-07-10T18:00:54Z)
• Learning Background Prompts to Discover Implicit Knowledge for Open Vocabulary Object Detection [101.15777242546649]
  Open vocabulary Object Detection (OVD) は、ベースと新規の両方のカテゴリからオブジェクトを認識できる最適なオブジェクト検出器を求めることを目的としている。 近年の進歩は、知識蒸留を利用して、事前訓練された大規模視覚言語モデルからオブジェクト検出のタスクに洞察力のある知識を伝達している。 本稿では,暗黙的背景知識を活用するための学習バックグラウンドプロンプトを提案するため,LBPと呼ばれる新しいOVDフレームワークを提案する。
  論文  参考訳（メタデータ） (2024-06-01T17:32:26Z)
• Interpretable Out-Of-Distribution Detection Using Pattern Identification [0.0]
  データベースプログラムのアウト・オブ・ディストリビューション(OoD)検出は最重要課題である。 文献における一般的なアプローチは、イン・オブ・ディストリビューション(in-distriion、IoD)とOoDバリデーション・サンプルを必要とする検出器を訓練する傾向がある。 我々は、より解釈可能で堅牢なOoD検出器を構築するために、説明可能なAI、すなわちPartialulパターン識別アルゴリズムから既存の研究を活用することを提案する。
  論文  参考訳（メタデータ） (2023-01-24T15:35:54Z)
• 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)
• Progressive Object Transfer Detection [84.48927705173494]
  本稿では,新しいプログレッシブオブジェクト転送検出(POTD)フレームワークを提案する。 第一に、POTDは様々なドメインの様々なオブジェクトを効果的にプログレッシブな検出手順に活用することができる。 第2に、POTDは2つの微妙な転送段階、すなわち、LSTD(low-Shot Transfer Detection)とWSTD(Weakly Supervised Transfer Detection)から構成される。
  論文  参考訳（メタデータ） (2020-02-12T00:16:24Z)

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。