Fugu-MT 論文翻訳(概要): Generative Verification: Rethinking the Uncertainty Signal for Active Learning of Object Detection

論文の概要: Generative Verification: Rethinking the Uncertainty Signal for Active Learning of Object Detection

arxiv url: http://arxiv.org/abs/2609.20262v1
Date: Tue, 28 Jul 2026 20:10:23 GMT
ステータス: 翻訳完了
システム内更新日: 2026-09-28 05:09:55.648391
Title: Generative Verification: Rethinking the Uncertainty Signal for Active Learning of Object Detection
Title（参考訳）: 生成検証:物体検出の能動的学習のための不確かさ信号の再考
Abstract要約: 生成検証において、独立生成モデルは、予測ボックス内の画素から検出されたラベルを再導出する。交換された箱、背景の箱、間違ったラベルを持つ正しい箱は、すべて検証に失敗する作物を生み出します。検証器は検出器の信頼性を決して観測しないため、確実な誤り検出が最高となる。
参考スコア（独自算出の注目度）: 14.738453379093961
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: Nearly every acquisition function for active object detection shares one arrangement, in that the model being improved is also the model being interrogated. We depart from it. In generative verification an independent generative model re-derives the label of a detection from the pixels inside its predicted box, and the disagreement between the two becomes the acquisition signal. Two properties follow from the arrangement itself rather than from any tuning. A displaced box, a box on background and a correct box carrying the wrong label all yield a crop that fails verification, so the failure modes arrive already combined in one scalar and the hand-weighted classification and localization terms of existing criteria are no longer needed. And because the verifier never observes the detector confidence, confidently wrong detections score highest, although a self-derived signal reads them as uninteresting and they are the costliest to leave unlabeled. We build the verifier as a conditional diffusion model whose diffusion target is a label representation rather than an image. Its reverse process is stochastic, so repeated generations return a distribution whose concentration reports how firmly the evidence determines the label, where a classifier returns a single point estimate. On PASCAL VOC and MS-COCO the signal outperforms output-uncertainty, feature-geometry, perturbation and ensemble criteria, gaining about one mAP50 point per round on MS-COCO, with its largest margins in the early rounds where confident detector errors are most common.
Abstract（参考訳）: アクティブなオブジェクト検出のためのほぼ全ての取得関数は、1つのアレンジを共有し、改善中のモデルも尋問されるモデルである。私たちはそれから離れます。生成検証において、独立生成モデルは、予測ボックス内の画素からの検出のラベルを再導出し、両者の相違が取得信号となる。 2つの特性は、チューニングではなく、アレンジ自体から従う。ずれ箱、背景の箱、間違ったラベルを持つ正しい箱は、すべて検証に失敗する作物を産み出すので、故障モードは1つのスカラーに既に組み込まれており、既存の基準の手作業による分類とローカライズ用語はもはや不要である。そして、検証者は検知器の信頼性を決して観測しないため、自信を持って間違った検出は最高となるが、自己由来の信号はそれらを興味のないものと読み、ラベルのないままにしておくのに最もコストがかかる。拡散対象が画像ではなくラベル表現である条件拡散モデルとして検証器を構築する。その逆過程は確率的であるため、繰り返し世代は、ある分類器が単一の点推定を返すとき、証拠がどれほどしっかりとラベルを決定するかを報告する分布を返す。 PASCAL VOCとMS-COCOでは、信号は出力不確かさ、特徴幾何、摂動、アンサンブル基準よりも優れており、MS-COCOでは1ラウンドあたり約1mAP50ポイントを獲得し、検出エラーが最も多いラウンドでは最大のマージンである。

関連論文リスト

What FID Hides: Detecting, Ranking, and Diagnosing Deviations in Generative Evaluation [6.078726431806193]
生成モデルは通常、Fréchet Inception Distance(FID)とKernel Inception Distance(KID)によってランク付けされる。 ZIDは幅広い出発点を検出し、そのスコアは対応するスイープに沿って深刻度を増す。
論文参考訳（メタデータ） (2026-08-25T17:58:46Z)
Tracing Provenance and Detecting Tampering with Complementary LLM Watermarks [68.64050157343334]
既存の透かしは編集の際は残されているが、このような堅牢性は、敵が帰属を維持しながら重要な内容を変更することを可能にする。実証と改ざんの証拠を共同で提供する革新的な透かしを導入する。信号は同じメカニズムを共有するが、独立キーと正規化テキスト上の異なるシードウィンドウを使用するため、一方は編集に耐性があり、もう一方は読み取り可能な変更に敏感である。
論文参考訳（メタデータ） (2026-08-13T01:55:16Z)
Two Regimes of Chain-of-Thought Unfaithfulness: Behavioral Detection Fails Where Models Are Wrong [1.2744523252873352]
ブラックボックス(行動)によるFaithCoT-Benchの人間のアノテーションに対する不誠実なCoTの検出。答えの正しさはあらゆるレベルで問題を構成する。
論文参考訳（メタデータ） (2026-07-26T04:43:53Z)
The Knowing-Saying Gap: When Probes See Errors that Confidence Misses [20.46211358172975]
線形プローブは、ほぼ完全精度で言語モデルの劣化コンテキストを検知するが、信頼性の高い故障予測にはならない。マルチホップ算術連鎖全体において、汚職を検出するプローブは最終解の正しさについて非形式的であることが判明した。リアルタイムモニタとして、プローブベースの介入は、シャープにモデル化され、エラータイプに依存します。
論文参考訳（メタデータ） (2026-07-21T12:13:10Z)
Conformal calibration and look-elsewhere effect in anomaly detection for new-physics searches [0.0]
機械学習による異常検出は、新しい物理学の探索を再構築している。本稿では,共形予測に基づく校正層を提案する。
論文参考訳（メタデータ） (2026-06-11T18:00:02Z)
Scaling Pretrained Representations Enables Label-Free Out-of-Distribution Detection Without Fine-Tuning [5.008779702997125]
最新の事前学習モデルでは, 正確なラベル自由分布検出に十分な幾何学的構造をエンコードしている。以上の結果から, ラベルフリーなOOD検出は, 凍結した後骨が露出する形状に強く依存していることが示唆された。
論文参考訳（メタデータ） (2026-05-07T03:45:52Z)
CLUE: Non-parametric Verification from Experience via Hidden-State Clustering [64.50919789875233]
隠れアクティベーションの軌跡内の幾何的に分離可能なシグネチャとして解の正しさが符号化されていることを示す。 ClUE は LLM-as-a-judge ベースラインを一貫して上回り、候補者の再選において近代的な信頼に基づく手法に適合または超えている。
論文参考訳（メタデータ） (2025-10-02T02:14:33Z)
BURN: Backdoor Unlearning via Adversarial Boundary Analysis [73.14147934175604]
Backdoor Unlearningは、モデル本来の機能を保持しながら、バックドア関連の情報を削除することを目的としている。本稿では, 偽相関疎結合, プログレッシブデータリファインメント, モデル浄化を統合した新しい防御フレームワーク, BURNによるバックドア・アンラーニングを提案する。
論文参考訳（メタデータ） (2025-07-14T17:13:06Z)
Exploiting Completeness and Uncertainty of Pseudo Labels for Weakly Supervised Video Anomaly Detection [149.23913018423022]
弱教師付きビデオ異常検出は、ビデオレベルのラベルのみを用いて、ビデオ内の異常事象を特定することを目的としている。 2段階の自己学習法は擬似ラベルの自己生成によって著しく改善されている。本稿では,自己学習のための完全性と不確実性を利用した強化フレームワークを提案する。
論文参考訳（メタデータ） (2022-12-08T05:53:53Z)
Mitigating the Mutual Error Amplification for Semi-Supervised Object Detection [92.52505195585925]
擬似ラベルの修正機構を導入し,相互誤りの増幅を緩和するクロス・インストラクション(CT)手法を提案する。他の検出器からの予測を直接擬似ラベルとして扱う既存の相互指導法とは対照的に,我々はラベル修正モジュール(LRM)を提案する。
論文参考訳（メタデータ） (2022-01-26T03:34:57Z)
AutoAssign: Differentiable Label Assignment for Dense Object Detection [94.24431503373884]
Auto COCOは、物体検出のためのアンカーフリー検出器である。外観認識は、完全に微分可能な重み付け機構によって実現される。我々の最良のモデルでは52.1%のAPが達成され、既存の1段検出器よりも優れている。
論文参考訳（メタデータ） (2020-07-07T14:32:21Z)

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。