論文の概要: Box-conditional Hypothesis Testing for Out-of-Distribution Object Detection
- arxiv url: http://arxiv.org/abs/2611.18519v1
- Date: Fri, 13 Nov 2026 18:36:23 GMT
- ステータス: 情報取得中
- システム内更新日: 2026-11-16 19:32:07.886514
- Title: Box-conditional Hypothesis Testing for Out-of-Distribution Object Detection
- Title(参考訳): アウト・オブ・ディストリビューション・オブジェクト検出のためのボックス条件仮説テスト
- Abstract要約: そこで本研究では,ボックス内の最後のバックボーンステージをプールし,同じ大きさのIDボックスと境界接触のIDクラス間の距離をランク付けする学習自由スコアを提案する。
PLUMは、PASCAL-VOCでは91.5と94.5、BDD100Kでは95.1と97.5である。
- 参考スコア(独自算出の注目度): 3.7903875847967523
- License:
- Abstract: Detecting out-of-distribution (OOD) objects is essential for ensuring the reliability and safety of object detectors in real-world deployment. We treat the decision on a detected box as a hypothesis test with the null hypothesis that the box covers an object of an in-distribution (ID) class. The null distribution changes with the size of the box and its contact with the image border, and the detector observes both. The test can therefore rank a box only against ID boxes of the same size and border contact, which gives a distribution-free bound on the false-alarm rate for each of them and uncovers the separation that one null distribution hides. The power of the test also rests on the layer it reads. Layers built only for the ID classes have no reason to keep what sets an unknown object apart, so the test reads the features before them. We propose \textbf{PLUM}, a training-free score that pools the last backbone stage inside the box and ranks its distance to the ID classes among ID boxes of the same size and border contact. On the standard benchmark, PLUM reaches the highest AUROC among the compared methods without external models, with 91.5 and 94.5 on PASCAL-VOC and 95.1 and 97.5 on BDD100K. Code: https://github.com/DDOZMI/PLUM
- Abstract(参考訳): オブジェクト検出の信頼性と安全性を確保するためには、OOD(out-of-distriion)オブジェクトの検出が不可欠である。
検出されたボックス上の決定は、そのボックスが分布内(ID)クラスのオブジェクトをカバーしているというnull仮説を用いて仮説テストとして扱う。
ヌル分布はボックスの大きさと画像境界との接触によって変化し、検出器は両方を観測する。
したがって、テストは、同じ大きさのIDボックスと境界コンタクトのみにランク付けできるため、それぞれの偽アラームレートの分布自由境界が与えられ、1つのnull分布が隠している分離が明らかになる。
テストのパワーも、読み込む層にかかっている。
IDクラスのみに構築されたレイヤは、未知のオブジェクトを分離したままにしておく理由がないため、テストはそれ以前の機能を読み取る。
トレーニング不要のスコアである「textbf{PLUM}」を提案する。このスコアは、ボックス内の最後のバックボーンステージをプールし、同じサイズと境界接触のIDボックス内のIDクラスまでの距離をランク付けする。
標準ベンチマークでは、PLUMはPASCAL-VOCでは91.5と94.5、BDD100Kでは95.1と97.5である。
コード:https://github.com/DDOZMI/PLUM
関連論文リスト
- Generative Verification: Rethinking the Uncertainty Signal for Active Learning of Object Detection [14.738453379093961]
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。
論文 参考訳(メタデータ) (2026-07-28T20:10:23Z) - Bounding Box Stability against Feature Dropout Reflects Detector Generalization across Environments [52.65013932553849]
良い検出器は、位置があまり変化しない有界箱を出力する傾向があり、弱い検出器の有界箱は顕著な位置変化を受ける。
ボックス安定性スコア(BoSスコア)を計算して、この安定性を反映する。
各種試験環境における平均平均精度(mAP)を用いて測定した検出精度とBoSスコアが強い正の相関関係を持つことに寄与する。
論文 参考訳(メタデータ) (2024-03-20T17:59:16Z) - Anchor-Intermediate Detector: Decoupling and Coupling Bounding Boxes for
Accurate Object Detection [7.216931644655777]
本稿では,この推論におけるtextbfBox Deouple-Couple(BDC)戦略を提案する。
各コーナーのスコアに従って、最も正確なコーナーペアを選択するためにコーナーポイントをペアリングする。
コーナー認識ヘッドは、各バウンディングボックスのコーナーをスコアし、コーナーポイント間のカップリングを容易にする。
論文 参考訳(メタデータ) (2023-10-09T12:35:05Z) - Semi-DETR: Semi-Supervised Object Detection with Detection Transformers [105.45018934087076]
半教師付き物体検出(SSOD)におけるDETRに基づくフレームワークの解析
本報告では,第1次変圧器を用いたエンド・ツー・エンド半教師対象検出器であるSemi-DETRについて述べる。
我々の手法は、最先端の手法をクリアマージンで上回る。
論文 参考訳(メタデータ) (2023-07-16T16:32:14Z) - ByteTrack: Multi-Object Tracking by Associating Every Detection Box [51.93588012109943]
マルチオブジェクトトラッキング(MOT)は、ビデオ内のオブジェクトのバウンディングボックスとIDを推定することを目的としている。
ほとんどの方法は、スコアがしきい値よりも高い検出ボックスを連想させることでアイデンティティを得る。
本稿では,BYTEと呼ばれるシンプルで効果的で汎用的なアソシエーション手法を提案する。
論文 参考訳(メタデータ) (2021-10-13T17:01:26Z) - Probabilistic Ranking-Aware Ensembles for Enhanced Object Detections [50.096540945099704]
本稿では,検知器から箱を囲むことの信頼性を向上するPRAE(Probabilistic Ranking Aware Ensemble)という新しいアンサンブルを提案する。
また,異なる数の箱を扱う必要性によって生じる信頼の不均衡問題に対処するためのbanditアプローチも導入する。
論文 参考訳(メタデータ) (2021-05-07T09:37:06Z) - Dive Deeper Into Box for Object Detection [49.923586776690115]
そこで我々は,より正確な位置決めを行うために,ボックスに深く潜り込むことができるボックス再構成手法(DDBNet)を提案する。
実験結果から,本手法はオブジェクト検出の最先端性能に寄与する可能性が示唆された。
論文 参考訳(メタデータ) (2020-07-15T07:49:05Z) - Location-Aware Box Reasoning for Anchor-Based Single-Shot Object
Detection [19.669531374307805]
単発物体検出器は、ボックス提案の事前選択がないため、ボックスの品質を損なう。
境界ボックスに対する位置認識型アンカーベース推論(LAAR)を提案する。
LAARは、バウンディングボックスの品質評価を考慮して、位置と分類の信頼性の両方を考慮に入れている。
論文 参考訳(メタデータ) (2020-07-13T08:24:41Z)
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。