論文の概要: Online Monitoring for Neural Network Based Monocular Pedestrian Pose Estimation

• arxiv url: http://arxiv.org/abs/2005.05451v1
• Date: Mon, 11 May 2020 21:40:41 GMT
• ステータス: 処理完了
• システム内更新日: 2022-12-04 20:11:18.134253
• Title: Online Monitoring for Neural Network Based Monocular Pedestrian Pose Estimation
• Title（参考訳）: ニューラルネットワークを用いた単眼歩行者姿勢推定のためのオンラインモニタリング
• Authors: Arjun Gupta and Luca Carlone
• Abstract要約: 人為的・形復元ネットワークのためのモデルベース・学習型モニタを提案・評価する。 データからの損失を効果的に予測する方法を学習するAdversarially-Trained Online Monitorを導入する。
• 参考スコア（独自算出の注目度）: 31.70516575859656
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: Several autonomy pipelines now have core components that rely on deep learning approaches. While these approaches work well in nominal conditions, they tend to have unexpected and severe failure modes that create concerns when used in safety-critical applications, including self-driving cars. There are several works that aim to characterize the robustness of networks offline, but currently there is a lack of tools to monitor the correctness of network outputs online during operation. We investigate the problem of online output monitoring for neural networks that estimate 3D human shapes and poses from images. Our first contribution is to present and evaluate model-based and learning-based monitors for a human-pose-and-shape reconstruction network, and assess their ability to predict the output loss for a given test input. As a second contribution, we introduce an Adversarially-Trained Online Monitor ( ATOM ) that learns how to effectively predict losses from data. ATOM dominates model-based baselines and can detect bad outputs, leading to substantial improvements in human pose output quality. Our final contribution is an extensive experimental evaluation that shows that discarding outputs flagged as incorrect by ATOM improves the average error by 12.5%, and the worst-case error by 126.5%.
• Abstract（参考訳）: いくつかの自律パイプラインには、ディープラーニングアプローチに依存するコアコンポーネントがある。 これらのアプローチは名目上はうまく機能するが、自動運転車を含む安全クリティカルなアプリケーションで使用される場合、予期せぬ、深刻な障害モードが生じる傾向にある。 オフラインでのネットワークのロバスト性を特徴付ける作業はいくつかあるが、現在、運用中のネットワーク出力の正しさを監視するツールが不足している。 画像から3次元の人体形状とポーズを推定するニューラルネットワークのオンライン出力監視の問題点について検討する。 最初のコントリビューションは、人間の目的と形状の再構成ネットワークのためのモデルベースおよび学習ベースのモニターを提示、評価し、与えられたテスト入力の出力損失を予測する能力を評価することである。 第2の貢献として、データからの損失を効果的に予測する方法を学ぶAdversarially-Trained Online Monitor (ATOM)を導入する。 ATOMはモデルベースのベースラインを支配し、悪い出力を検出できるため、人間のポーズの出力品質が大幅に向上する。 最終的な貢献は、atomによる不正な出力の廃棄が平均エラーを12.5%改善し、最悪のケースエラーを126.5%改善することを示す、広範な実験的評価です。

関連論文リスト

• SINDER: Repairing the Singular Defects of DINOv2 [61.98878352956125]
  大規模なデータセットでトレーニングされたビジョントランスフォーマーモデルは、抽出したパッチトークンにアーティファクトを表示することが多い。 本稿では,小さなデータセットのみを用いて構造欠陥を補正するスムーズなスムーズな正規化を提案する。
  論文  参考訳（メタデータ） (2024-07-23T20:34:23Z)
• A Reusable AI-Enabled Defect Detection System for Railway Using Ensembled CNN [5.381374943525773]
  欠陥検出は、鉄道システムの信頼性を確保するために不可欠である。 現在のアプローチは、CNNのような単一のディープラーニングモデルに依存している。 再利用可能なAI対応欠陥検出手法を提案する。
  論文  参考訳（メタデータ） (2023-11-24T19:45:55Z)
• Energy-based Out-of-Distribution Detection for Graph Neural Networks [76.0242218180483]
  我々は,GNNSafeと呼ばれるグラフ上での学習のための,シンプルで強力で効率的なOOD検出モデルを提案する。 GNNSafeは、最先端技術に対するAUROCの改善を最大17.0%で達成しており、そのような未開発領域では単純だが強力なベースラインとして機能する可能性がある。
  論文  参考訳（メタデータ） (2023-02-06T16:38:43Z)
• Window-Based Distribution Shift Detection for Deep Neural Networks [21.73028341299301]
  本研究では,データストリームを受信したディープニューラルネットワーク(DNN)の正常動作をモニタリングする場合について検討する。 選択的予測原理を用いて,DNNの分布偏差検出手法を提案する。 我々の新しい検出法は、最先端技術よりもかなり少ない時間を消費しながら、オンパー以上の性能を発揮する。
  論文  参考訳（メタデータ） (2022-10-19T21:27:25Z)
• Adversarial Robustness Assessment of NeuroEvolution Approaches [1.237556184089774]
  CIFAR-10画像分類タスクにおける2つのNeuroEvolutionアプローチにより得られたモデルのロバスト性を評価する。 以上の結果から,進化したモデルが反復的手法で攻撃されると,その精度は通常0に低下するか0に近づきます。 これらの技法のいくつかは、元の入力に付加された摂動を悪化させ、頑丈さを損なう可能性がある。
  論文  参考訳（メタデータ） (2022-07-12T10:40:19Z)
• Self-Supervised and Interpretable Anomaly Detection using Network Transformers [1.0705399532413615]
  本稿では,異常検出のためのNetwork Transformer(NeT)モデルを提案する。 NeTは、解釈性を改善するために、通信ネットワークのグラフ構造を組み込んでいる。 提案手法は, 産業制御システムにおける異常検出の精度を評価することによって検証された。
  論文  参考訳（メタデータ） (2022-02-25T22:05:59Z)
• Recursive Least-Squares Estimator-Aided Online Learning for Visual Tracking [58.14267480293575]
  オフライン学習を必要とせず、簡単な効果的なオンライン学習手法を提案する。 これは、モデルが以前見たオブジェクトに関する知識を記憶するための、内蔵されたメモリ保持メカニズムを可能にする。 我々は、RT-MDNetにおける多層パーセプトロンと、DiMPにおける畳み込みニューラルネットワークの追跡のためのオンライン学習ファミリーにおける2つのネットワークに基づくアプローチを評価する。
  論文  参考訳（メタデータ） (2021-12-28T06:51:18Z)
• Early Bearing Fault Diagnosis of Rotating Machinery by 1D Self-Organized Operational Neural Networks [23.455010509133313]
  現代の電気回転機械(RM)の予防メンテナンスは、信頼性の高い運転の確保、予測不能な故障の防止、コストのかかる修理の回避に重要である。 本研究では1次元自己組織型ONN(Self-ONNs)を提案する。 NSF/IMSベアリング振動データセットに対する実験結果から,提案した1D Self-ONNは,計算複雑性の類似した最先端(1D CNN)に対して,大きな性能ギャップを達成できることが示された。
  論文  参考訳（メタデータ） (2021-09-30T06:32:34Z)
• Non-Singular Adversarial Robustness of Neural Networks [58.731070632586594]
  小さな入力摂動に対する過敏性のため、アドリヤルロバスト性はニューラルネットワークにとって新たな課題となっている。 我々は,データ入力とモデル重みの共振レンズを用いて,ニューラルネットワークの非特異な対角性の概念を定式化する。
  論文  参考訳（メタデータ） (2021-02-23T20:59:30Z)
• An Uncertainty-based Human-in-the-loop System for Industrial Tool Wear Analysis [68.8204255655161]
  人間のループシステムにおけるモンテカルロのドロップアウトに基づく不確実性対策により,システムの透明性と性能が向上することを示す。 シミュレーション研究により、不確実性に基づく「ループ内人間システム」は、様々なレベルの人間の関与に対する性能を高めることが示されている。
  論文  参考訳（メタデータ） (2020-07-14T15:47:37Z)
• Firearm Detection and Segmentation Using an Ensemble of Semantic Neural Networks [62.997667081978825]
  本稿では,意味的畳み込みニューラルネットワークのアンサンブルに基づく兵器検出システムを提案する。 特定のタスクに特化した単純なニューラルネットワークのセットは、計算リソースを少なくし、並列にトレーニングすることができる。 個々のネットワークの出力の集約によって与えられるシステムの全体的な出力は、ユーザが偽陽性と偽陰性とをトレードオフするように調整することができる。
  論文  参考訳（メタデータ） (2020-02-11T13:58:16Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。