抄録/ポイント:
抄録/ポイント
文献の概要を数百字程度の日本語でまとめたものです。
部分表示の続きは、JDreamⅢ(有料)でご覧頂けます。
J-GLOBALでは書誌(タイトル、著者名等)登載から半年以上経過後に表示されますが、医療系文献の場合はMyJ-GLOBALでのログインが必要です。
与えられたマルチクラス分類器がその仕様の外側で動作するかどうかを自動的に検出する問題を研究した。すなわち,それが訓練されたものよりも異なる分布からの入力データに関するものである。このことは,分類器の予測の品質が,それが外れて動作するかどうかを保証できないため,実世界応用のための信頼できるコンピュータビジョンシステムを作成するために,道路上で解決するための重要な問題である。これまで提案されていない検出法は,単一入力レベルの決定を行う。しかし,これは低い偽陽性率と高い偽陰性率を同時に達成するのに不十分である。本研究では,統計的推論に基づいてKS(conf)と名付けた新しい手順を記述した。その主成分は,サンプルのバッチに対する予測された信頼値のセットに適用される古典的なKolmogorov-Smirnov試験である。単一試料の代わりにバッチによる作業は偽陽性率に負に影響することなく真の陽性率を増加させることを可能にし,それにより単一試料試験の重要な限界を克服する。種々の畳込みネットワークアーキテクチャを用いた広範な実験とKS(conf)が,他のテストが失敗する条件下でさえも,異常な状況を確実に検出することを示した。さらに,実用的な展開のための優れた候補となる多くの特性を持っている。すなわち,実装が容易で,システムへのオーバーヘッドをほとんど追加せず,信頼性スコアを出力する任意の分類器で動作し,データ分布がどのように変化するかについての事前知識を必要としない。Copyright The Author(s) 2020 Translated from English into Japanese by JST.【JST・京大機械翻訳】