ICCVOct, 2013

通过直接优化 ROC 曲线下的局部面积来实现高效行人检测

PDF
TL;DR提出了一种使用结构化学习直接优化 ROC 曲线下假阳性率范围内的部分面积的新型集成学习方法，该方法有效地训练出最先进的行人检测器。
object detectionpartial area under the roc curveensemble learningstructured learningpedestrian detectors
发现论文，激发创造
  • 利用空间池化特征和结构化集成学习进行行人检测

    提出了一种基于结构化学习的新型集成学习方法，通过直接优化局部 ROC 曲线面积来实现用户定义范围内的最大检测速率，在此基础上，提出了一种新的基于空间池化的低级视觉特征提取方法。实验结果表明，此方法在 Caltech-USA 行人检测数据集上具有当前最佳性能的检测器。

    Sep, 2014

  • 使用空间池化特征加强行人检测效果

    本研究提出一种简单而有效的行人检测方法，其基于低级视觉特征和空间池化，将部分 ROC 曲线下面积直接优化，表现出色优于当前所有竞争方法，平均错误率最低达到了 11％，与多个基准数据集相比，取得了最先进的结果。

    Jul, 2014

  • AUC 是比较异常检测器最佳指标吗？

    本文质疑了使用接受者操作特征下的面积（AUC）是否是衡量异常检测性能的合适标准，同时提出了在实践中可能存在的偏差性；作者发现，注重在低假阳率下的 AUC 表现良好，并且仅在具有代表性的异常样本时才能比较异常检测器。这一结果提示，在许多情况下，我们应该进行主动或少数样本学习而不是纯粹的异常检测。

    May, 2023

  • 克服选择性分类系统评估中的常见缺陷

    选择性分类方法可以在低置信度预测时拒绝，可靠地将基于机器学习的分类系统应用于临床诊断等实际场景。本研究定义了多阈值评估度量在选择性分类中的 5 个要求，涉及任务对齐、可解释性和灵活性，并展示了当前方法未能满足这些要求。我们提出了广义风险覆盖曲线下的面积（AUGRC），该曲线满足所有要求，并可直接解释为未检测到故障的平均风险。通过综合评估 6 个数据集和 13 个置信度评分函数的广泛基准，我们在实证上证明了 AUGRC 的相关性。我们发现，在这 6 个数据集中，所提出的度量方法显著改变了度量排名中的 5 个数据集。

    Jul, 2024

  • 基于正类未标记学习的半监督 AUC 优化

    本文提出了一种新的半监督 AUC 优化方法，不需要强限制假设，其基于正例和未标记数据的 AUC 优化方法（PU-AUC），并将其与监督 AUC 优化方法结合来实现半监督学习，理论证明了未标记数据对于 PU 和半监督 AUC 优化方法的泛化性能的改善有帮助，并通过实验证明了所提出方法的实用性。

    May, 2017

  • 优化 AUC 是否划算？

    通过提出一种高效的算法 AUC-opt 来寻找证明最优 AUC 的线性分类器，并且证明问题在一定条件下是 NP 完全的；此算法在实验中证明相较于其他方法有所改善，但在大多数测试数据中表现并不如标准分类器。

    Jun, 2023

  • 基于 AUC 的选择性分类

    本文提出了一种模型不可知的方法，将一个选择函数与给定的概率二元分类器相关联，以最优化 AUC，并且通过使用 AUCROSS 算法来取得成功，从而在交换覆盖率和 AUC 之间达到最佳平衡。

    Oct, 2022

  • Cascade R-CNN：深入探索高质量目标检测

    本文提出一种多阶段目标检测架构，Cascade R-CNN，通过一系列的检测器训练，逐步提高在增加交并比（IoU）阈值下对近似假阳性的选择性，从而减少过拟合问题，并在推理时提供更接近每个阶段检测器质量的假设匹配，实现在 COCO 数据集上比所有单模型目标检测器表现更好。

    Dec, 2017

  • 一种强健的 AUC 最大化框架，同时进行异常值检测和特征选择用于正 - 未标注分类

    提出了一个强健的学习框架，它将 AUC 最大化，异常值检测和特征选择相结合，以解决正样本未标记（Positive-Unlabeled）分类问题。通过理论分析和实验验证，表明该模型是有效的。

    Mar, 2018

  • 弱监督下的 AUC 优化：一个统一的部分 AUC 方法

    本文提出了 WSAUC 框架作为弱监督 AUC 优化问题的统一解决方案，在此框架下，通过最大化经验 rpAUC，本文在多种弱监督情景下有效提高了 AUC 的优化能力。

    May, 2023