Core Concepts
不確実性に基づくコーナーケース検出基準を提案し、それらを使用してオブジェクト検出の信頼性を評価し、モデルの改善に役立てる。
Abstract
本論文では、オブジェクトインスタンスセグメンテーションモデルの予測不確実性に基づいて、コーナーケースを検出するための新しい基準を提案している。
まず、モデルの予測分布をサンプリングすることで、各オブジェクト検出の不確実性を定量化する。次に、クラス確率、バウンディングボックス、インスタンスマスクの各特徴に基づいて、コーナーケース検出のための基準を定義する。
これらの基準を使用して、検出されたオブジェクトを真陽性、ロケーションコーナーケース、クラスコーナーケース、ロケーション&クラスコーナーケース、偽陽性に分類する。
提案手法を COCO および NuImages データセットで評価した結果、コーナーケースを効果的に検出できることが示された。さらに、検出されたコーナーケースを使用して、モデルの反復的な訓練を行い、ベースラインモデルを上回る性能を達成できることも示された。
Stats
クラス確率の平均値Dckと標準偏差σckは、モデルの予測の確信度を示す。
バウンディングボックスの平均値Dbと標準偏差σbは、検出の位置精度を示す。
インスタンスマスクの平均値Dmと標準偏差σmは、検出の形状精度を示す。
バウンディングボックスとインスタンスマスクの平均IoUioubとその標準偏差σioubは、両者の整合性を示す。
バウンディングボックスとインスタンスマスクの分布の差異を表すKL-Divergence KL(pb|pm)とJensen-Shannon Distance JS(pb|pm)、Wasserstein Distance EMD(pb|pm)は、両者の整合性をより詳細に示す。