Daily Arxiv

世界中で発行される人工知能関連の論文をまとめるページです。
このページはGoogle Geminiを活用して要約し、非営利で運営しています。
論文の著作権は著者および関連機関にあり、共有する際は出典を明記してください。

Revisiting Out-of-Distribution Detection in Real-time Object Detection: From Benchmark Pitfalls to a New Mitigation Paradigm

Created by
  • Haebom

作者

Changshun Wu, Weicheng He, Chih-Hong Cheng, Xiaowei Huang, Saddek Bensalem

概要

この論文は、ディープラーニングベースのオブジェクト検出モデルのOut-of-Distribution（OoD）入力に対する過信頼問題を解決するために、従来のスコア関数の改善やテスト時間のしきい値調整などのアルゴリズム的な改善を超えて、開発ライフサイクル全体の在庫が必要であると主張しています。既存のOoD検出評価ベンチマークの誤差（最大13％の汚染）を指摘し、外部OoD検出器に依存せず、意味的に同様のOoDデータセットを使用して検出器を微調整する新しいトレーニング時間緩和パラダイムを提示します。これにより、YOLOモデルのBDD-100K環境でサイケデリックエラーを91％減少させ、YOLO、Faster R-CNN、RT-DETRなど、さまざまな検出方式や少数ショット適応にも一般化可能であることを示しました。

Takeaways、Limitations

•
Takeaways：
◦
既存のOoD検出評価ベンチマークの深刻なデータ汚染問題を明らかにすることにより、既存の研究結果の信頼性に関する疑問を提起し、より厳しい評価基準の必要性を強調。
◦
訓練時にOoDデータを利用してモデル自体のOoDに対する防御力を高める新しいアプローチを提示
◦
YOLO、Faster R-CNN、RT-DETRなど、さまざまなオブジェクト検出モデルに適用可能で、少量のデータにも適応可能な一般的な方法論を提示します。
◦
BDD-100KデータセットでYOLOモデルのサイケデリックエラーを91％削減する実用的なパフォーマンス改善が見られます。
•
Limitations:
◦
提示された方法の効果が特定のデータセットとモデルに限定される可能性があります。さまざまなデータセットとモデルの追加実験が必要です。
◦
新しい訓練時間緩和パラダイムの計算コストとデータ準備プロセスの複雑さに関する追加分析の必要性
◦
13％の汚染率は特定のベンチマークに対するものであり、他のベンチマークにも同様に適用されるかどうかは追加の検証が必要です。
👍
Made with Slashpage