【論文調査】検出結果の信頼性・しきい値に関する主要論文

検出結果の信頼性・しきい値に関する主要論文

論文（年）	主要トピック	特筆すべきポイント
Confidence Score: The Forgotten Dimension of Object Detection Performance Evaluation（Sensors, 2021）	信頼度しきい値と評価指標	大多数の物体検出モデルは低い信頼度しきい値で評価されるため、多くの誤検出を伴うと指摘。これに対し、COCO評価やPDQを使って各モデルの最適しきい値を見つけ、実運用での誤検出を抑える方法を提案している。
An Uncertainty Estimation Framework for Probabilistic Object Detection（arXiv, 2021）	不確実性推定とPDQ	高い信頼度でも誤検出が起こり得るため、ロボットにとって重大な結果をもたらすと指摘。Deep ensemblesとMonte Carlo dropoutを組み合わせて予測不確実性を推定し、PDQによる評価で真陽性・偽陽性・偽陰性のバランスを考慮している。
Towards Reliable Object Detection with Confidence Calibration（ドイツ・TUM博士論文, 2025）	信頼度キャリブレーションと条件付きバイアス	自動運転や医療などでは検出だけでなく不確実性の評価が不可欠であり、検出器の出力信頼度と実際の正解確率を一致させる「信頼度キャリブレーション」が重要と論じている。信頼度に条件付きバイアスが存在することを示し、ヒストグラムビニングによる条件付きキャリブレーションやIoU-awareキャリブレーションを提案している。
On Calibration of Object Detectors: Pitfalls, Evaluation and Baselines（ECCV 2024）	評価フレームワークと後処理キャリブレーション	物体検出器の実運用では適切なしきい値とキャリブレーションが欠かせないと指摘し、既存の評価指標（D‑ECEとAP）が不十分であると批判。プラットスケーリングや等分位回帰などの簡単な後処理キャリブレーションが、近年提案の学習時キャリブレーションより効果的であることを示している。
Confidence Calibration for Object Detection and Segmentation（書籍章, 2022）	多変量キャリブレーションとECE拡張	安全重視の応用では正確な信頼度推定が不可欠と述べ、従来の分類器向けキャリブレーションでは物体検出やセグメンテーションモデルの誤キャリブレーションを十分に説明できないと報告。境界ボックス位置や形状情報を考慮する多変量キャリブレーションと、検出器の回帰出力も含めて評価する拡張ECE指標を提案している。
Multiclass Confidence and Localization Calibration for Object Detection（CVPR 2023）	学習時キャリブレーション	DNNは高い認識精度を達成しているが、出力が過信頼（過剰な自信）になる傾向があり、特に物体検出ではほとんど研究されていないと指摘。マルチクラス信頼度とバウンディングボックスの位置を同時にキャリブレーションする学習時損失関数を導入し、インドメインおよびアウトオブドメインの検出精度・キャリブレーション誤差を一貫して改善した。
Data‑Driven Confidence Model for ADAS Object Detection（SAE 2020）	センサ融合による信頼度モデル	ADASでは見逃しは事故を招き、誤検出はゴーストブレーキを引き起こすため、検出器は精度と誤検出抑制の両立が必要であると述べる。レーダー・カメラ・トラッキングの特徴を組み合わせたデータ駆動型の信頼度モデルを提案し、車両周辺の領域ごとに閾値を調整して設計要件に応じた性能を実現する。
A False‑Positive‑Centric Framework for Object Detection Disambiguation（Remote Sensing 2025）	偽陽性率に着目したフレームワーク	従来の物体検出評価は偽陽性の可能性や対象の唯一性を十分考慮していないと指摘。そこで「可視アノマリー」「識別可能アノマリー」「唯一識別可能アノマリー」の3カテゴリを定義し、ランドマイン検出で活用して、偽陽性率と検出対象の唯一性を強調するAIU指数を提案している。
QUINSIM‑Vision: Calibrated Uncertainty Quantification for Safety‑Critical Computer Vision（ResearchSquare 2026）	不確実性推定とO O D検出	ディープモデルは外れ値入力に対して過度な自信を持つため、安全重視システムでは展開が難しいと述べる。QUINSIM‑Visionはピクセル単位の不確実性推定、信頼度に基づくサリエンシマップ、外れ値検出を統合し、KITTIやnuScenesなどで分布シフト下でも平均精度93%を維持し、偽報率を82%削減した。

特許との関連と研究動向

しきい値設定による誤検出抑制
特許では物体検出結果にしきい値処理を施し、条件を満たした検出のみシステムに渡すことで誤検出を抑える仕組みを提案しています。この考え方は、Sensors論文が指摘するように「標準評価では低いしきい値が使われるため誤検出が多い」という課題と一致しており、適切なしきい値の探索やモデルごとの最適運用点の決定が重要であることが分かります。
信頼度キャリブレーション・不確実性推定
多くの論文は、検出器が出力する信頼度スコアが現実の正解確率と一致していない「ミスキャリブレーション」を指摘し、ヒストグラムビニングやプラットスケーリング、多変量キャリブレーション、学習時キャリブレーションなどの手法を提案しています。これらはいずれも検出結果の信頼性評価を改善し、自動運転や医療など安全要求の高い分野に適用可能です。
不確実性の定量化と外れ値検出
アンサンブルやMonte Carlo dropoutで予測不確実性を求める研究や、ピクセル単位で不確実性を可視化する研究は、単なるしきい値以上に検出結果の信用度を数値として示すことが目的です。特許の「検出結果をどう信用して使うか」という課題に対し、確率的検出や不確実性マップは有効なアプローチとなります。
偽陽性に特化した評価や領域別しきい値
観測領域ごとにしきい値を調整するADAS向け研究や、対象の唯一性まで評価するAIU指数は、誤検出が特に問題になる領域に注目したものです。特許でも検出結果を継続的に蓄積して条件判定するため、エリア別の誤検出率や偽陽性リスクを考慮する手法が参考になります。
評価フレームワークの拡張
ECCV 2024論文は、従来評価の落とし穴を指摘し、キャリブレーションと精度を同時に評価するフレームワークを提案しています。これは特許のしきい値処理を公平に評価する際にも有用で、モデルごとの最適しきい値を適切に選択する基準になります。