المفاهيم الأساسية
불확실성 기반 기준을 사용하여 인스턴스 분할 모델의 코너 케이스를 탐지할 수 있다.
الملخص
이 논문은 인스턴스 분할 모델의 예측 불확실성을 기반으로 코너 케이스를 탐지하는 새로운 기준을 제안한다.
클래스 점수, 경계 상자, 인스턴스 마스크에 대한 불확실성 기준을 정의하였다.
이 기준들을 사용하여 True Positive, Localization Corner Case, Classification Corner Case, Localization & Classification Corner Case, False Positive 등의 카테고리로 객체를 분류할 수 있다.
COCO와 NuImages 데이터셋을 사용하여 제안한 기준을 평가하였다.
코너 케이스 기준을 활용하여 모델 성능을 향상시키는 반복 학습 실험을 수행하였다.
الإحصائيات
클래스 점수의 평균과 표준편차는 모델의 예측 신뢰도를 나타낸다.
경계 상자의 평균과 표준편차는 객체 위치 예측의 불확실성을 나타낸다.
인스턴스 마스크의 평균과 표준편차는 객체 모양 예측의 불확실성을 나타낸다.
경계 상자와 인스턴스 마스크의 IoU 평균과 표준편차는 두 예측 사이의 일치도를 나타낸다.
اقتباسات
"Corner Cases [3, 19, 39] are strongly related to anomalies [9, 14, 37], outliers [14, 17], and novelties [9, 14] but also cover samples where the model fails [12, 19, 22, 36] and data relevant for model improvement [6, 39]."
"Corner case detection enables data selection to be guided to identify valuable data and label it more efficiently, offering tremendous cost-saving potential."