Object Detection as Probabilistic Set Prediction

要約

安全性が重要なシステムに深部物体検出器を配備するには、正確な不確実性の推定が不可欠です。
確率的オブジェクト検出器の開発と評価は、既存のパフォーマンス測定値の欠点によって妨げられてきました。これは、任意のしきい値を伴うか、検出器の分布の選択を制限する傾向があります。
この作業では、オブジェクト検出を、検出器がオブジェクトのセット全体の分布を予測するセット予測タスクと見なすことを提案します。
ランダムな有限集合の負の対数尤度を使用して、確率的オブジェクト検出器を評価およびトレーニングするための適切なスコアリングルールを提示します。
提案された方法は、既存の確率的検出器に適用でき、しきい値がなく、アーキテクチャ間の公正な比較を可能にします。
COCOデータセットでは、3つの異なるタイプの検出器が評価されます。
私たちの結果は、既存の検出器のトレーニングが非確率的メトリックに向けて最適化されていることを示しています。
自身の不確実性を正確に推定できる新しい物体検出器の開発を奨励したいと考えています。
コードはhttps://github.com/georghess/pmb-nllで入手できます。

要約(オリジナル)

Accurate uncertainty estimates are essential for deploying deep object detectors in safety-critical systems. The development and evaluation of probabilistic object detectors have been hindered by shortcomings in existing performance measures, which tend to involve arbitrary thresholds or limit the detector’s choice of distributions. In this work, we propose to view object detection as a set prediction task where detectors predict the distribution over the set of objects. Using the negative log-likelihood for random finite sets, we present a proper scoring rule for evaluating and training probabilistic object detectors. The proposed method can be applied to existing probabilistic detectors, is free from thresholds, and enables fair comparison between architectures. Three different types of detectors are evaluated on the COCO dataset. Our results indicate that the training of existing detectors is optimized toward non-probabilistic metrics. We hope to encourage the development of new object detectors that can accurately estimate their own uncertainty. Code available at https://github.com/georghess/pmb-nll.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google