論文の概要: How Many, but How Sure? Class Competition as a Confidence Proxy in Multi-Class Density-Based Counting

• arxiv url: http://arxiv.org/abs/2610.23611v1
• Date: Fri, 16 Oct 2026 15:23:53 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-20 00:56:07.987292
• Title: How Many, but How Sure? Class Competition as a Confidence Proxy in Multi-Class Density-Based Counting
• Title（参考訳）: マルチクラス密度に基づく算数における信頼プロキシとしてのクラスコンペティション
• Abstract要約: 最強のクラスチャネル間の局所的な競合に基づいた,トレーニング不要な信頼性プロキシを提案する。 結果として生じる卓越度尺度は、予測された密度マップのみを必要とし、モデル内部への再トレーニングやアクセスは不要である。
• 参考スコア（独自算出の注目度）: 3.122408196953971
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Multi-class density estimators can count objects in crowded scenes, but their class-wise outputs offer no indication of how reliably density mass has been allocated. We introduce a training-free confidence proxy based on local competition between the strongest class channels. The resulting prominence measure requires only the predicted density maps, with no retraining or access to model internals. We test whether residual competition is diagnostic of cross-class leakage by attenuating contested density at inference time. On DSACA predictions for the Hicks et al. dataset, this reduces overall MAE from 0.920 to 0.846, suggesting that class competition contains useful information about count reliability.
• Abstract（参考訳）: マルチクラス密度推定器は、混雑したシーンでオブジェクトを数えることができるが、クラス単位での出力は、どれだけ確実に密度の質量が割り当てられたかを示すものではない。 最強のクラスチャネル間の局所的な競合に基づいた,トレーニング不要な信頼性プロキシを提案する。 結果として生じる卓越度尺度は、予測された密度マップのみを必要とし、モデル内部への再トレーニングやアクセスは不要である。 我々は,競合する密度を推定時に減衰させることで,クラス間リークの診断に残留する競合が有効かどうかを検証した。 Hicks et al データセットの DSACA 予測では、全体の MAE を 0.920 から 0.846 に削減し、クラスの競合にはカウント信頼性に関する有用な情報が含まれていることを示唆している。

関連論文リスト

• Density-Ratio Losses for Post-Hoc Learning to Defer [61.81110533670321]
  理想分布のレンズを用いて,ポストホック学習からデファー(L2D)までの研究を行った。 モデルと専門家のイデアルの間の密度比を通じて、deferralを定義します。 次に、ディフェラル決定はスコアを閾値付けすることで行われ、deferral rateは再トレーニングせずに調整される。
  論文  参考訳（メタデータ） (2026-05-19T08:56:23Z)
• Score-Based Density Estimation from Pairwise Comparisons [13.996217500923414]
  本研究では, 知識の活用と人間のフィードバックからの学習を動機とした, 対比較による密度推定について検討した。 本研究では,未観測目標密度と係留勝者密度を関連付け,スコアマッチングを用いて勝者のスコアを学習する。 信念と勝者密度のスコアベクトルはコリニアであり、位置依存的テンパリング場によってリンクされていることを証明する。
  論文  参考訳（メタデータ） (2025-10-10T08:49:24Z)
• Your copula is a classifier in disguise: classification-based copula density estimation [2.5261465733373965]
  本稿では,コプラ密度推定を識別タスクとして再解釈する。 我々は、よく知られたコプラクラスと、我々の解釈に自然に生じる分類問題との同値性を導出する。 推定器が最大推定値に類似した理論的保証を達成することを示す。
  論文  参考訳（メタデータ） (2024-11-05T11:25:34Z)
• Semi-Supervised Learning via Weight-aware Distillation under Class Distribution Mismatch [15.57119122765309]
  我々は、SSLエラーを軽減するために、Weight-Aware Distillation (WAD)と呼ばれる堅牢なSSLフレームワークを提案する。 WADは、表現空間内のポイント相互情報(PMI)を探索することにより、適応重みと高品質な擬似ラベルをターゲットインスタンスにキャプチャする。 集団分布ミスマッチでは,WADは人口リスクの上限が狭いことが証明された。
  論文  参考訳（メタデータ） (2023-08-23T02:37:34Z)
• CoNe: Contrast Your Neighbours for Supervised Image Classification [62.12074282211957]
  Contrast Your Neighbours (CoNe)は、教師付き画像分類のための学習フレームワークである。 CoNeは、より適応的で洗練されたターゲットを生成するために、類似した隣人の特徴をアンカーとして採用している。 私たちのCoNeは、最近のTimトレーニングレシピを上回るResNet-50で、ImageNetの80.8%のTop-1精度を実現しています。
  論文  参考訳（メタデータ） (2023-08-21T14:49:37Z)
• Shrinking Class Space for Enhanced Certainty in Semi-Supervised Learning [59.44422468242455]
  そこで我々はShrinkMatchと呼ばれる新しい手法を提案し、不確実なサンプルを学習する。 それぞれの不確実なサンプルに対して、元の Top-1 クラスを単に含むスランク類空間を適応的に求める。 次に、スランク空間における強と弱に強化された2つのサンプル間の整合正則化を課し、識別的表現を試みます。
  論文  参考訳（メタデータ） (2023-08-13T14:05:24Z)
• $CrowdDiff$: Multi-hypothesis Crowd Density Estimation using Diffusion Models [26.55769846846542]
  群集カウントは群集分析の基本的な問題であり、群集密度マップを推定し、群集密度値の和を和らげることが典型的である。 逆拡散過程として群衆密度マップを生成するCrowdDiff$を提示する。 また,拡散モデルの性質から,数量化性能を向上させるため,複数の密度マップを作成することを提案する。
  論文  参考訳（メタデータ） (2023-03-22T17:58:01Z)
• Density-Aware Personalized Training for Risk Prediction in Imbalanced Medical Data [89.79617468457393]
  不均衡率(クラス密度差)のトレーニングモデルは、最適以下の予測につながる可能性がある。 この不均衡問題に対するモデルトレーニングのためのフレームワークを提案する。 実世界の医療データセットにおけるモデルの性能向上を実証する。
  論文  参考訳（メタデータ） (2022-07-23T00:39:53Z)
• Hybrid Models for Open Set Recognition [28.62025409781781]
  オープンセット認識は、トレーニングセット内のどのクラスにも属さないサンプルを検出するために分類器を必要とする。 本稿では,入力データを結合埋め込み空間にエンコードするエンコーダと,サンプルを不整クラスに分類する分類器と,フローベース密度推定器からなるOpenHybridを提案する。 標準オープンセットベンチマークの実験では、エンドツーエンドの訓練されたOpenHybridモデルは最先端の手法やフローベースのベースラインを大きく上回っている。
  論文  参考訳（メタデータ） (2020-03-27T16:14:27Z)

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。