Fugu-MT 論文翻訳(概要): Combining Foundation Model Confidence and Monocular Depth for Training-Free Out-of-Distribution Segmentation

論文の概要: Combining Foundation Model Confidence and Monocular Depth for Training-Free Out-of-Distribution Segmentation

arxiv url: http://arxiv.org/abs/2609.22896v1
Date: Sat, 19 Sep 2026 09:04:17 GMT
ステータス: 翻訳完了
システム内更新日: 2026-09-22 20:29:00.582547
Title: Combining Foundation Model Confidence and Monocular Depth for Training-Free Out-of-Distribution Segmentation
Title（参考訳）: 基礎モデル信頼度と単眼深度を併用した学習自由配布セグメンテーション
Abstract要約: 基礎セグメンテーションモデルの信頼性予測から直接高密度OODスコアを導出する学習自由手法を提案する。提案手法をSegmentMeIfYouCanベンチマークで評価し,OODトラッキングの性能をビデオシーケンスで評価した。
参考スコア（独自算出の注目度）: 1.800619071013106
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: Autonomous vehicles operating in open-world scenarios are inevitably confronted with previously unknown objects, such as exotic animals or loose cargo. The reliable detection and segmentation of these out-of-distribution (OOD) objects is therefore crucial for a safe understanding of the environment and decision-making. Most existing approaches require access to OOD training samples, retraining of the segmentation backbone, or dedicated auxiliary architectures, limiting their practical applicability. We propose a training-free method that derives dense OOD scores directly from the confidence predictions of a foundation segmentation model, without any task-specific fine-tuning or access to anomalous data. To improve the robustness of our OOD segmentation, geometric information from monocular depth estimation is incorporated into the decision process, providing complementary cues to uncertainty-based predictions. We evaluate the proposed method on the SegmentMeIfYouCan benchmark and additionally assess its performance on OOD tracking in video sequences, reflecting the temporal nature of real-world perception systems. The method performs strongly on road-centered benchmarks.
Abstract（参考訳）: オープンワールドのシナリオで運用されている自動運転車は、エキゾチックな動物やゆるい貨物など、これまで未知の物体と必然的に直面している。したがって、これらのアウト・オブ・ディストリビューション(OOD)オブジェクトの信頼性の高い検出とセグメンテーションは、環境と意思決定の安全な理解に不可欠である。既存のアプローチのほとんどは、OODトレーニングサンプルへのアクセス、セグメンテーションバックボーンの再トレーニング、あるいは専用の補助アーキテクチャへのアクセスを必要とし、実用性を制限する。本研究では,タスク固有の微調整や異常データへのアクセスなしに,基礎セグメントモデルの信頼度予測から直接高密度OODスコアを導出する訓練自由手法を提案する。 OODセグメンテーションのロバスト性を改善するため, 単眼深度推定からの幾何情報が決定プロセスに組み込まれ, 不確実性に基づく予測に相補的な手がかりを提供する。提案手法をSegmentMeIfYouCanベンチマークで評価し、実世界の知覚システムの時間的特性を反映して、ビデオシーケンスにおけるOOD追跡の性能を評価する。この方法は道路中心のベンチマークで強く機能する。

関連論文リスト

Beyond Toy Benchmarks: A Systematic Evaluation of OOD Detection Methods For Plant Pathology Classification [0.0]
ディープラーニングシステムの信頼性確保には,アウト・オブ・ディストリビューション(OOD)検出が不可欠である。本研究では, ポストホックスコアリング, 補助目標, エネルギーモデル, 制約付き最適化を対象とする6つのOOD検出手法について検討した。
論文参考訳（メタデータ） (2026-05-09T02:27:01Z)
Out-of-Distribution Segmentation via Wasserstein-Based Evidential Uncertainty [22.45768202733885]
確率的単純度幾何を尊重しながら分布距離をキャプチャするワッサーシュタイン損失を用いたエビデンスセグメンテーションフレームワークを提案する。提案手法は,不確実性に基づくアプローチに比べてOODセグメンテーション性能が向上する。
論文参考訳（メタデータ） (2025-12-12T08:36:59Z)
Revisiting Logit Distributions for Reliable Out-of-Distribution Detection [73.9121001113687]
アウト・オブ・ディストリビューション(OOD)検出は、オープンワールドアプリケーションにおけるディープラーニングモデルの信頼性を保証するために重要である。 LogitGapは、最大ロジットと残りのロジットの関係を利用する、ポストホックなOOD検出手法である。我々は、LogitGapが様々なOOD検出シナリオとベンチマークにわたって、最先端のパフォーマンスを一貫して達成していることを示す。
論文参考訳（メタデータ） (2025-10-23T02:16:45Z)
Advancing Embodied Agent Security: From Safety Benchmarks to Input Moderation [52.83870601473094]
エンボディード・エージェントは、複数のドメインにまたがって大きな潜在能力を示す。既存の研究は主に、一般的な大言語モデルのセキュリティに重点を置いている。本稿では, エンボディエージェントの保護を目的とした新しい入力モデレーションフレームワークを提案する。
論文参考訳（メタデータ） (2025-04-22T08:34:35Z)
RUNA: Object-level Out-of-Distribution Detection via Regional Uncertainty Alignment of Multimodal Representations [33.971901643313856]
RUNAは、アウト・オブ・ディストリビューション(OOD)オブジェクトを検出するための新しいフレームワークである。これは、OODオブジェクトとIDを効果的に区別するために、地域不確実性アライメント機構を使用する。実験の結果,RUNAはオブジェクトレベルのOOD検出において最先端の手法を大幅に上回っていることがわかった。
論文参考訳（メタデータ） (2025-03-28T10:01:55Z)
Reliability in Semantic Segmentation: Can We Use Synthetic Data? [69.28268603137546]
セマンティックセグメンテーションモデルの現実的信頼性を総合的に評価するために、合成データを具体的に生成する方法を初めて示す。この合成データは、事前訓練されたセグメンタの堅牢性を評価するために使用される。セグメンタのキャリブレーションとOOD検出能力を向上するために,我々のアプローチをどのように活用できるかを実証する。
論文参考訳（メタデータ） (2023-12-14T18:56:07Z)
A Metacognitive Approach to Out-of-Distribution Detection for Segmentation [22.500233661061912]
セグメンテーションのアウト・オブ・ディストリビューション(OOD)検出を改善するメタ認知アプローチを提案する。提案手法は, 合成OODデータと分散データとのコンテキストで生成する新しい手法を取り入れたものである。提案手法は,セマンティックセグメンテーションベンチマークのOOD検出における最先端性能で示すように,シーン内のOODインスタンスを確実に検出することができる。
論文参考訳（メタデータ） (2023-10-04T16:37:38Z)
Triggering Failures: Out-Of-Distribution detection by learning from local adversarial attacks in Semantic Segmentation [76.2621758731288]
セグメンテーションにおけるアウト・オブ・ディストリビューション(OOD)オブジェクトの検出に取り組む。私たちの主な貢献は、ObsNetと呼ばれる新しいOOD検出アーキテクチャであり、ローカル・アタック(LAA)に基づく専用トレーニングスキームと関連付けられています。 3つの異なるデータセットの文献の最近の10つの手法と比較して,速度と精度の両面で最高の性能が得られることを示す。
論文参考訳（メタデータ） (2021-08-03T17:09:56Z)
On the Practicality of Deterministic Epistemic Uncertainty [106.06571981780591]
決定論的不確実性法(DUM)は,分布外データの検出において高い性能を達成する。 DUMが十分に校正されており、現実のアプリケーションにシームレスにスケールできるかどうかは不明だ。
論文参考訳（メタデータ） (2021-07-01T17:59:07Z)
Out-of-Distribution Detection for Automotive Perception [58.34808836642603]
ニューラルネットワーク(NN)は、自律運転におけるオブジェクト分類に広く使われている。 NNは、アウト・オブ・ディストリビューション(OOD)データとして知られるトレーニングデータセットで適切に表現されていない入力データでフェールすることができる。本稿では,OODデータを必要としない入力がOODであるか否かを判定し,推論の計算コストを増大させる方法を提案する。
論文参考訳（メタデータ） (2020-11-03T01:46:35Z)
Uncertainty-Based Out-of-Distribution Classification in Deep Reinforcement Learning [17.10036674236381]
アウト・オブ・ディストリビューションデータの誤予測は、機械学習システムにおける安全性の危機的状況を引き起こす可能性がある。我々は不確実性に基づくOOD分類のためのフレームワークUBOODを提案する。 UBOODはアンサンブルに基づく推定器と組み合わせることで,信頼性の高い分類結果が得られることを示す。
論文参考訳（メタデータ） (2019-12-31T09:52:49Z)

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。