論文の概要: Ev-YOLO: Uncertainty-Aware Object Detection via a Unified Evidential Formulation

• arxiv url: http://arxiv.org/abs/2609.24668v1
• Date: Mon, 21 Sep 2026 14:31:45 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-22 20:29:01.328358
• Title: Ev-YOLO: Uncertainty-Aware Object Detection via a Unified Evidential Formulation
• Title（参考訳）: Ev-YOLO:Unified Evidential Formulationによる不確かさを意識した物体検出
• Abstract要約: そこで, YOLOv8 の顕在化バージョンを提案し, 分類と境界ボックス回帰を共通の顕在化フレームワーク内で定式化する。 本手法は, YOLOv8の分布ベース境界ボックス表現を利用して, 明快な定式化を分類だけでなく, 局所化にも適用できるようにする。 KITTI、MUSES、nuScenesの実験では、検出精度は標準のYOLOv8と大きく競合している。
• 参考スコア（独自算出の注目度）: 2.49540759052505
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Reliable uncertainty estimation is essential for deploying object detectors in autonomous systems operating in uncertain environments. Evidential Deep Learning (EDL) provides a principled framework for uncertainty-aware classification by representing network outputs as evidence and interpreting predictions through subjective logic. However, existing evidential object detectors typically combine evidential classification with regression uncertainty models that do not share the same theoretical foundation. In this work, we propose an evidential version of YOLOv8 in which both classification and bounding-box regression are formulated within a common evidential framework. Our approach exploits YOLOv8's distribution-based bounding-box representation, allowing the evidential formulation to be applied not only to classification but also to localisation. As a result, both tasks produce belief, uncertainty, and probability estimates that can be interpreted within the Dempster--Shafer framework. Experiments on KITTI, MUSES, and nuScenes show that the resulting detector remains broadly competitive with standard YOLOv8 in terms of detection accuracy while providing a localisation uncertainty that effectively discriminates between correct and erroneous detections. Moreover, this uncertainty becomes increasingly discriminative under domain shift.
• Abstract（参考訳）: 信頼性の高い不確実性推定は、不確実な環境で動作している自律システムにオブジェクト検出器を配置するために不可欠である。 Evidential Deep Learning (EDL)は、ネットワーク出力をエビデンスとして表現し、主観的論理を通して予測を解釈することで、不確実性を考慮した分類のための原則化されたフレームワークを提供する。 しかし、既存の顕在物検出器は典型的には、同じ理論的基礎を共有しない回帰不確実性モデルと、顕在的分類を組み合わせている。 そこで本研究では,分類とバウンディングボックス回帰の両方を共通顕在化フレームワーク内で定式化する,YOLOv8の顕在化バージョンを提案する。 本手法は, YOLOv8の分布ベース境界ボックス表現を利用して, 明快な定式化を分類だけでなく, 局所化にも適用できるようにする。 その結果、両方のタスクは、Dempster-Shaferフレームワーク内で解釈できる信念、不確実性、および確率推定を生成する。 KITTI、MUSES、nuScenesの実験では、検出精度は標準のYOLOv8と大きく競合する一方で、正確な検出と誤検出を効果的に区別する局所化の不確実性も示している。 さらに、ドメインシフトの下で、この不確実性はますます差別的になる。

関連論文リスト

• ELVAE: Evidential Learning-Based Variational Autoencoder for Uncertainty-Aware Generation [7.5571037918649155]
  変分オートエンコーダは確率的潜伏表現からサンプルを生成するが、潜伏位置に関する不確実性と周囲の変動性を区別しない。 ELVAEを定式化し,各潜時座標を入力依存の正規逆ガンマ後方で制御する。 低不確かさアンカーはより信頼性の高い合成サンプルをサポートし、高不確かさアンカーは故意にストレステストに利用することができる。
  論文  参考訳（メタデータ） (2026-08-11T02:45:59Z)
• Visualizing Uncertainty: Spatial Maps of Missing and Conflicting Evidence in Deep Learning [11.34107841759186]
  本稿では,Evidential Deep Learning(EDL)とFullGrad(FullGrad)を組み合わせた新しい可視化フレームワークUncertainty Activation Map(UAM)を提案する。 我々のアプローチは、空白、証拠の欠如、不協和の2つの基本的なタイプの不確実性、競合する仮説間の矛盾する証拠の捕獲を区別する。 この枠組みにより、空きと不協和の活性化マップは、信念を重み付けした属性の計算によって生成され、モデルが知識を欠いている場所と曖昧な証拠に遭遇している場所を識別することができる。
  論文  参考訳（メタデータ） (2026-06-14T12:06:01Z)
• Knowing the Unknown: Interpretable Open-World Object Detection via Concept Decomposition Model [51.81962097623522]
  オープンワールドオブジェクト検出(OWOD)では、未知のオブジェクトを確実に識別しながら、既知のカテゴリを段階的に検出する必要がある。 本稿では、OWODフレームワーク全体を解釈可能とし、検出器が「未知の知識」を真に理解できるようにすることを目的とする。
  論文  参考訳（メタデータ） (2026-02-24T07:08:47Z)
• Open-Set LiDAR Panoptic Segmentation Guided by Uncertainty-Aware Learning [17.188627352236782]
  我々は不確実性誘導型オープンセット・パノプティクス・セグメンテーション・フレームワークであるULOPSを提案する。 我々のアーキテクチャは、不確実性推定を伴うセマンティックセグメンテーションのための分離されたデコーダを組み込んでいる。 推論中、未知のインスタンスを識別および分割するために不確実性推定を利用する。
  論文  参考訳（メタデータ） (2025-06-16T09:03:51Z)
• TrustLoRA: Low-Rank Adaptation for Failure Detection under Out-of-distribution Data [62.22804234013273]
  本稿では,共変量および意味的シフトの両条件下での拒絶による分類を統一し,促進する,単純な故障検出フレームワークを提案する。 キーとなる洞察は、障害固有の信頼性知識を低ランクアダプタで分離し、統合することにより、障害検出能力を効果的かつ柔軟に向上できるということです。
  論文  参考訳（メタデータ） (2025-04-20T09:20:55Z)
• Decomposing Uncertainty for Large Language Models through Input Clarification Ensembling [69.83976050879318]
  大規模言語モデル(LLM)では、不確実性の原因を特定することが、信頼性、信頼性、解釈可能性を改善するための重要なステップである。 本稿では,LLMのための不確実性分解フレームワークについて述べる。 提案手法は,入力に対する一連の明確化を生成し,それらをLLMに入力し,対応する予測をアンサンブルする。
  論文  参考訳（メタデータ） (2023-11-15T05:58:35Z)
• Exploring Robustness of Unsupervised Domain Adaptation in Semantic Segmentation [74.05906222376608]
  クリーンな画像とそれらの逆の例との一致を、出力空間における対照的な損失によって最大化する、逆向きの自己スーパービジョンUDA(ASSUDA)を提案する。 i) セマンティックセグメンテーションにおけるUDA手法のロバスト性は未解明のままであり, (ii) 一般的に自己スーパービジョン(回転やジグソーなど) は分類や認識などのイメージタスクに有効であるが, セグメンテーションタスクの識別的表現を学習する重要な監視信号の提供には失敗している。
  論文  参考訳（メタデータ） (2021-05-23T01:50:44Z)
• Approaching Neural Network Uncertainty Realism [53.308409014122816]
  自動運転車などの安全クリティカルなシステムには、定量化または少なくとも上限の不確実性が不可欠です。 マハラノビス距離に基づく統計的テストにより、厳しい品質基準である不確実性リアリズムを評価します。 自動車分野に採用し、プレーンエンコーダデコーダモデルと比較して、不確実性リアリズムを大幅に改善することを示した。
  論文  参考訳（メタデータ） (2021-01-08T11:56:12Z)
• The Hidden Uncertainty in a Neural Networks Activations [105.4223982696279]
  ニューラルネットワークの潜在表現の分布は、アウト・オブ・ディストリビューション(OOD)データの検出に成功している。 本研究は、この分布が、モデルの不確実性と相関しているかどうかを考察し、新しい入力に一般化する能力を示す。
  論文  参考訳（メタデータ） (2020-12-05T17:30:35Z)

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。