Probabilistic Object Detection with Conformal Prediction

技術サマリー：コンフォーマル予測を用いた確率的物体検出

問題定義
自動運転のような安全クリティカルな分野に物体検出器を配備するには、正確な予測だけでなく、信頼性の高い不確実性推定も必要である。最先端の検出器は通常、本質的な不確実性定量化（UQ）を欠く決定論的ニューラルネットワークに依存している。確率的検出器は存在するが、その UQ 手法はモデル固有であり、計算コストが高いことが多い。コンフォーマル予測（CP）は、有限サンプルの周辺カバレッジ保証を備えた予測集合を構築するための、事後的・モデル非依存・分布フリーの枠組みを提供する。しかし、物体検出に CP を適用するには、2 つの特定の課題が存在する：

1. 構造化された多出力： 物体検出は、境界ボックスの座標とクラスラベルという多出力予測を生成するため、単一出力向けに設計された古典的な CP 理論の適用が複雑になる。
2. 固定幅の区間： 標準的な（スケーリングされていない）CP は、すべての入力に対して一定の幅を持つ予測区間を生成する。これは個々の予測の難易度の変動を無視しており、不確実性が低いケースでは不必要に広い区間となり、不確実性が高いケースではカバレッジが不十分になる可能性がある。

手法
著者は、損失減衰（Kendall and Gal, 2017; Kassem Sbeyti et al., 2023）を用いて学習された確率的物体検出器とコンフォーマル予測を統合する枠組みを提案する。この検出器は、回帰ターゲットに加えて予測ごとのアレイトリック不確実性（分散）を学習し、計算効率が良く、サンプリング不要な不確実性推定を提供する。

手法は以下の 4 つの主要コンポーネントに構成されている：

1. ボンフェローニ補正を用いた座標別 CP：
   境界ボックス回帰は 4 つの座標を含むため、CP は座標別に適用される。座標間の依存構造を仮定せずに結合ボックスレベルのカバレッジ保証を確保するため、著者はボンフェローニ補正を適用し、各座標に $\alpha/4$ の誤カバレッジレベルを割り当てる。

2. スケーリング済み CP とスケーリング未適用 CP：

   • スケーリング未適用 CP： 絶対残差（$| \hat{f}(x) - y |$）から導出された固定の量子値を使用し、一定幅の区間を生成する。
   • スケーリング済み CP： 入力依存のアレイトリック不確実性推定値（$\hat{\sigma}(x)$）に基づいて区間の幅を適応させる。スコア関数は再スケーリングされる：$s(\hat{y}, y) = | \hat{f}(x) - y | / \hat{\sigma}(x)$。
   • 較正バリエーション： 本研究では、生（較正未実施）の損失減衰推定値を、生分散推定値の誤較正を補正するために相対アイソトニック回帰（グローバルおよび座標別/クラス別で適用）を用いた 2 つの較正済みバリエーションと比較評価する。

3. クラス非依存 CP とクラス別 CP：

   • クラス非依存： すべてのクラスにわたって単一の適合スコア集合を計算する。
   • クラス別： 真のラベル（既知と仮定）ごとに個別の較正量子値を計算し、区間の幅をクラス固有の難易度に合わせて適応させる。

4. 2 ステップパイプライン（結合分類と回帰）：
   Timans ら（2025）に従い、著者は以下のパイプラインを実装する：

   • ステップ 1： 物体クラスのための予測集合を生成するために、**正則化適応予測集合（RAPS）**を用いて分類ヘッドに CP を適用する。
   • ステップ 2： 予測されたクラス集合に条件付けられたコンフォーマル化された境界ボックスを生成する。境界ボックスの量子値は、すべての可能なクラスではなく、予測集合内のクラスのみに対して最悪ケースとして選択される。

主要な貢献
本論文は、以下の具体的な貢献を行う：

• 体系的比較： マルチクラス物体検出におけるスケーリング未適用 CP とスケーリング済み CP の包括的評価。ドメイン内およびドメイン間設定におけるカバレッジの妥当性と区間の鋭敏さ（IoU および区間スコア）の両方を評価する。
• 不確実性較正分析： 損失減衰推定値（アイソトニック回帰による）を較正することが、スケーリング済み CP の性能にどのように影響するかを調査する。
• クラス別評価： 境界ボックス回帰に対するクラス別 CP の分析。クラス非依存設定に対するカバレッジと鋭敏さへの影響を実証する。
• 結合パイプライン評価： 分類ヘッドと回帰ヘッドを同時にコンフォーマル化する 2 ステップパイプラインの評価。特に、RAPS ベースのクラス予測集合とコンフォーマル化された境界ボックスの相互作用を検証する。

実験結果
実験は、3 つの自動運転データセット：KITTI、BDD、およびCODA（後者は分布シフト下でのドメイン間評価として機能）で行われた。

• スケーリング済み vs スケーリング未適用の性能： スケーリング済み CP は、カバレッジ保証を犠牲にすることなく、鋭敏さの面でスケーリング未適用 CP を一貫して上回った。
  • IoU の改善： スケーリング済み CP は、スケーリング未適用 CP に比べて最大19% 高い IoUを達成した（特定のバリエーションでは、KITTI で +5.4%、CODA で +6.3% など）。
  • 区間スコア： スケーリング済み CP は区間スコアを最大39% 削減し、幅とカバレッジの間の著しく優れたトレードオフを示した。
  • 分布シフト： スケーリングの恩恵は、検出器が分布シフト下で動作するドメイン間設定（CODA）で最も顕著であった。これは、モデル性能が低下する際に適応的区間が重要であることを示唆している。
• 較正の影響： 生（較正未実施）の損失減衰推定値は、スケーリング未適用 CP に対する性能向上の大部分を捉えていた。アイソトニック回帰によるさらなる較正は、鋭敏さにおいてわずかな追加改善しか提供せず、カバレッジへの影響は無視できた。
• クラス別 vs クラス非依存： クラス別層別化は、スケーリング済みおよびスケーリング未適用の両方のバリエーションの区間スコアを削減した。この削減はスケーリング済み CP でより顕著であった。これは、クラス条件付き量子値がアレイトリック不確実性スケーリングと好意的に相互作用することを示唆している。
• 2 ステップパイプライン： 結合分類・回帰パイプラインにおいて、スケーリング済み CP は優れた頑健性を示した。クラス予測集合に条件付けられた際、スケーリング未適用 CP は区間スコアが大幅に増加（鋭敏性の低下）したが、スケーリング済み CP の区間スコアは実際には減少（改善）した。これは、スケーリング済み CP が分類不確実性と組み合わされた際に、より graceful に劣化することを示している。

意義と主張
著者は、損失減衰から導出されたアレイトリック不確実性推定値によってコンフォーマル予測区間をスケーリングすることは、コンフォーマル化された物体検出器の鋭敏さを向上させるシンプルで、計算効率が良く、原理的な方法であると主張する。

著者が強調する主な要点は以下の通りである：

• 実行可能な不確実性： 提案されたパイプラインは、低不確実性シナリオでの不要な過度の保守性を回避することで、リアルタイム・実世界の物体検出に対するより実行可能な不確実性推定を提供する。
• 頑健性： スケーリング済み CP の優位性は、異なるデータセット、不確実性較正戦略、パイプライン構成（クラス非依存、クラス別、2 ステップ）全体で維持される。
• 妥当性： 鋭敏さの向上は、周辺カバレッジ保証を損なうことなく達成されており、その保証はスケーリング済みおよびスケーリング未適用の両方のバリエーションで有効である。
• 実用性： このアプローチは、単一のフォワードパスのみを必要とし、出力ヘッド以外のアーキテクチャ変更を不要とするため、計算効率が最優先される安全クリティカルなアプリケーションに適している。

本論文は、CP が必要なカバレッジ保証を提供する一方で、物体検出のような複雑な多出力タスクにおいて、tight で有用な予測集合を生成するには、入力依存の不確実性推定値（スケーリング済み CP）との統合が不可欠であると結論付けている。