論文の概要: Reinforced Wasserstein Training for Severity-Aware Semantic Segmentation in Autonomous Driving

• arxiv url: http://arxiv.org/abs/2008.04751v1
• Date: Tue, 11 Aug 2020 15:00:41 GMT
• ステータス: 処理完了
• システム内更新日: 2022-10-31 11:13:38.615183
• Title: Reinforced Wasserstein Training for Severity-Aware Semantic Segmentation in Autonomous Driving
• Title（参考訳）: 自律運転における重大性を考慮した意味セグメンテーションのための強化wassersteinトレーニング
• Authors: Xiaofeng Liu, Yimeng Zhang, Xiongchang Liu, Song Bai, Site Li, Jane You
• Abstract要約: 我々は,クラス間の相関関係を,その基準を誤分類の重大度として定義し,学習枠組みを構築した。 CamVidとCityscapesのデータセットでの実験は、ワッサースタインの損失の有効性を実証した。
• 参考スコア（独自算出の注目度）: 45.11602128316305
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Semantic segmentation is important for many real-world systems, e.g., autonomous vehicles, which predict the class of each pixel. Recently, deep networks achieved significant progress w.r.t. the mean Intersection-over Union (mIoU) with the cross-entropy loss. However, the cross-entropy loss can essentially ignore the difference of severity for an autonomous car with different wrong prediction mistakes. For example, predicting the car to the road is much more servery than recognize it as the bus. Targeting for this difficulty, we develop a Wasserstein training framework to explore the inter-class correlation by defining its ground metric as misclassification severity. The ground metric of Wasserstein distance can be pre-defined following the experience on a specific task. From the optimization perspective, we further propose to set the ground metric as an increasing function of the pre-defined ground metric. Furthermore, an adaptively learning scheme of the ground matrix is proposed to utilize the high-fidelity CARLA simulator. Specifically, we follow a reinforcement alternative learning scheme. The experiments on both CamVid and Cityscapes datasets evidenced the effectiveness of our Wasserstein loss. The SegNet, ENet, FCN and Deeplab networks can be adapted following a plug-in manner. We achieve significant improvements on the predefined important classes, and much longer continuous playtime in our simulator.
• Abstract（参考訳）: セマンティックセグメンテーションは、例えば各ピクセルのクラスを予測する自動運転車など、多くの現実世界システムにとって重要である。 近年、深層ネットワークは、クロスエントロピー損失を伴う平均断面積連合(mIoU)において大きな進歩を遂げた。 しかし、クロスエントロピー損失は、誤予測ミスが異なる自動運転車の重大さの違いを基本的に無視することができる。 例えば、道路への車両の予測は、バスとして認識するよりもずっと冗長である。 この難易度を目標として,wassersteinトレーニングフレームワークを開発し,クラス間相関を探究し,その基底メトリックを誤分類重大度として定義する。 ワッサースタイン距離の基底計量は、特定のタスクにおける経験に従って事前に定義することができる。 さらに,最適化の観点から,事前定義された地上距離の増大関数として基底距離を設定することを提案する。 さらに,高忠実度carlaシミュレータを利用するために,基底行列の適応学習方式を提案する。 具体的には、強化された代替学習方式に従う。 CamVidとCityscapesのデータセットによる実験は、ワッサースタインの損失の有効性を実証した。 segnet、enet、fcn、deeplabのネットワークはプラグイン方式で適応することができる。 事前定義された重要なクラスで大幅な改善を行い、シミュレータでずっと長いプレイタイムを実現します。

関連論文リスト

• End-to-End Steering for Autonomous Vehicles via Conditional Imitation Co-Learning [1.5020330976600735]
  この課題に対処するために、条件付き模倣コラーニング(CIC)アプローチを導入する。 そこで我々は, 回帰と分類のギャップを埋めるために, 分類-回帰ハイブリッド損失を用いて, 操舵回帰問題を分類として提案する。 本モデルは,CIL法と比較して,見えない環境下での自律走行の成功率を平均62%向上させることを実証した。
  論文  参考訳（メタデータ） (2024-11-25T06:37:48Z)
• OpenNet: Incremental Learning for Autonomous Driving Object Detection with Balanced Loss [3.761247766448379]
  提案手法は既存手法よりも優れた性能が得られる。 CODAデータセットを用いた実験結果から,提案手法は既存手法よりも優れた性能が得られることが示された。
  論文  参考訳（メタデータ） (2023-11-25T06:02:50Z)
• Semantic-Fused Multi-Granularity Cross-City Traffic Prediction [17.020546413647708]
  本研究では,異なる粒度で融合した意味を持つ都市間における知識伝達を実現するためのセマンティック・フューズド・マルチグラニュラリティ・トランスファー・ラーニング・モデルを提案する。 本稿では,静的な空間依存を保ちながら,様々な意味を融合する意味融合モジュールを設計する。 STLモデルの有効性を検証するため、6つの実世界のデータセットについて広範な実験を行った。
  論文  参考訳（メタデータ） (2023-02-23T04:26:34Z)
• Neurosymbolic hybrid approach to driver collision warning [64.02492460600905]
  自律運転システムには2つの主要なアルゴリズムアプローチがある。 ディープラーニングだけでは、多くの分野で最先端の結果が得られています。 しかし、ディープラーニングモデルが機能しない場合、デバッグが非常に難しい場合もあります。
  論文  参考訳（メタデータ） (2022-03-28T20:29:50Z)
• Towards Optimal Strategies for Training Self-Driving Perception Models in Simulation [98.51313127382937]
  合成ドメインのみにおけるラベルの使用に焦点を当てる。 提案手法では,ニューラル不変表現の学習方法と,シミュレータからデータをサンプリングする方法に関する理論的にインスピレーションを得た視点を導入する。 マルチセンサーデータを用いた鳥眼視車両分割作業におけるアプローチについて紹介する。
  論文  参考訳（メタデータ） (2021-11-15T18:37:43Z)
• Improving Generalization of Transfer Learning Across Domains Using Spatio-Temporal Features in Autonomous Driving [45.655433907239804]
  車両シミュレーションは仮想世界で学習するために使用することができ、取得したスキルは現実世界のシナリオを扱うために転送することができる。 これらの視覚的要素は、運転中の人間の意思決定に直感的に重要です。 シーンから車両の動特性を表す時間的特徴を抽出するCNN+LSTM転送学習フレームワークを提案する。
  論文  参考訳（メタデータ） (2021-03-15T03:26:06Z)
• Importance-Aware Semantic Segmentation in Self-Driving with Discrete Wasserstein Training [44.78636414245145]
  本稿では,Wassersteinトレーニングフレームワークにおいて,クラス間の重要な相関関係を組み込むことを提案する。 我々は,異なるバックボーンを持つCamVidおよびCityscapesデータセットについて評価を行った。
  論文  参考訳（メタデータ） (2020-10-21T20:43:47Z)
• Understanding Self-Training for Gradual Domain Adaptation [107.37869221297687]
  段階的なドメイン適応は、対象領域へ徐々にシフトするラベルのないデータのみを与えられたソースドメインで訓練された初期分類器を適応させることが目的である。 目標領域への直接適応が非有界誤差をもたらすような設定下において、段階的なシフトを伴う自己学習の誤差に対する最初の非無空上界を証明した。 この理論解析はアルゴリズムの洞察を導き、無限のデータを持つ場合でも正規化とラベルのシャープ化が不可欠であることを強調し、より小さなワッサーシュタイン無限距離のシフトに対して自己学習が特にうまく働くことを示唆している。
  論文  参考訳（メタデータ） (2020-02-26T08:59:40Z)
• Spatiotemporal Relationship Reasoning for Pedestrian Intent Prediction [57.56466850377598]
  視覚データに対する推論は、ロボティクスとビジョンベースのアプリケーションにとって望ましい能力である。 本稿では,歩行者の意図を推論するため,現場の異なる物体間の関係を明らかにするためのグラフ上でのフレームワークを提案する。 歩行者の意図は、通りを横切る、あるいは横断しない将来の行動として定義され、自動運転車にとって非常に重要な情報である。
  論文  参考訳（メタデータ） (2020-02-20T18:50:44Z)

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。