論文の概要: ODIN: Automated Drift Detection and Recovery in Video Analytics

• arxiv url: http://arxiv.org/abs/2009.05440v1
• Date: Wed, 9 Sep 2020 12:13:40 GMT
• ステータス: 処理完了
• システム内更新日: 2022-10-20 09:12:56.994425
• Title: ODIN: Automated Drift Detection and Recovery in Video Analytics
• Title（参考訳）: ODIN:ビデオ分析におけるドリフトの自動検出とリカバリ
• Authors: Abhijit Suprem, Joy Arulraj, Calton Pu, Joao Ferreira
• Abstract要約: ODINは、ドリフトから自動的に検出し、回復する視覚データ分析システムである。 得られたデータの分布を、以前に見たデータと比較することにより、ドリフトを検出する教師なしアルゴリズムを提案する。 特殊モデルは、正確性、性能、メモリフットプリントにおいて、特殊化されていないモデルよりも優れている。
• 参考スコア（独自算出の注目度）: 7.292916882993351
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Recent advances in computer vision have led to a resurgence of interest in visual data analytics. Researchers are developing systems for effectively and efficiently analyzing visual data at scale. A significant challenge that these systems encounter lies in the drift in real-world visual data. For instance, a model for self-driving vehicles that is not trained on images containing snow does not work well when it encounters them in practice. This drift phenomenon limits the accuracy of models employed for visual data analytics. In this paper, we present a visual data analytics system, called ODIN, that automatically detects and recovers from drift. ODIN uses adversarial autoencoders to learn the distribution of high-dimensional images. We present an unsupervised algorithm for detecting drift by comparing the distributions of the given data against that of previously seen data. When ODIN detects drift, it invokes a drift recovery algorithm to deploy specialized models tailored towards the novel data points. These specialized models outperform their non-specialized counterpart on accuracy, performance, and memory footprint. Lastly, we present a model selection algorithm for picking an ensemble of best-fit specialized models to process a given input. We evaluate the efficacy and efficiency of ODIN on high-resolution dashboard camera videos captured under diverse environments from the Berkeley DeepDrive dataset. We demonstrate that ODIN's models deliver 6x higher throughput, 2x higher accuracy, and 6x smaller memory footprint compared to a baseline system without automated drift detection and recovery.
• Abstract（参考訳）: コンピュータビジョンの最近の進歩は、視覚データ分析への関心の復活につながっている。 研究者は、大規模に視覚データを効果的かつ効率的に分析するシステムを開発している。 これらのシステムが直面する大きな課題は、現実世界のビジュアルデータのドリフトにある。 例えば、雪を含む画像で訓練されていない自動運転車のモデルは、実際にそれらに遭遇してもうまく機能しない。 このドリフト現象は、視覚データ分析に使用されるモデルの精度を制限する。 本稿では,ドリフトから自動的に検出・回復するODINと呼ばれる視覚データ分析システムを提案する。 odinはadversarial autoencoderを使って高次元画像の分布を学習する。 本稿では,与えられたデータの分布と既見のデータ分布を比較し,ドリフト検出のための教師なしアルゴリズムを提案する。 ODINがドリフトを検出すると、ドリフトリカバリアルゴリズムを起動し、新しいデータポイントに適した特別なモデルをデプロイする。 これらの特殊なモデルは、精度、性能、メモリフットプリントにおいて、非専門的なモデルよりも優れている。 最後に,入力処理に最適な特殊モデルのアンサンブルを選択するためのモデル選択アルゴリズムを提案する。 我々は,バークレーのdeepdriveデータセットの多様な環境下で撮影された高解像度ダッシュボードカメラビデオにおけるodinの有効性と効率を評価する。 ODINのモデルでは,自動ドリフト検出とリカバリを行わないベースラインシステムに比べて,スループットが6倍,精度が2倍,メモリフットプリントが6倍小さいことが実証された。

関連論文リスト

• Comparing Optical Flow and Deep Learning to Enable Computationally Efficient Traffic Event Detection with Space-Filling Curves [0.6322312717516407]
  我々は,OF(Optical Flow)とDL(Deep Learning)を比較し,前方の車載カメラからの映像データに対して,空間充填曲線による計算効率の高いイベント検出を行う。 以上の結果から,OFアプローチは特異性に優れ,偽陽性を低減し,DLアプローチは優れた感度を示した。
  論文  参考訳（メタデータ） (2024-07-15T13:44:52Z)
• AIDE: An Automatic Data Engine for Object Detection in Autonomous Driving [68.73885845181242]
  本稿では,問題を自動的に識別し,データを効率よくキュレートし,自動ラベル付けによりモデルを改善する自動データエンジン(AIDE)を提案する。 さらに,AVデータセットのオープンワールド検出のためのベンチマークを構築し,様々な学習パラダイムを包括的に評価し,提案手法の優れた性能を低コストで実証する。
  論文  参考訳（メタデータ） (2024-03-26T04:27:56Z)
• Unsupervised Domain Adaptation for Self-Driving from Past Traversal Features [69.47588461101925]
  本研究では,新しい運転環境に3次元物体検出器を適応させる手法を提案する。 提案手法は,空間的量子化履歴特徴を用いたLiDARに基づく検出モデルを強化する。 実世界のデータセットの実験では、大幅な改善が示されている。
  論文  参考訳（メタデータ） (2023-09-21T15:00:31Z)
• DiffusionEngine: Diffusion Model is Scalable Data Engine for Object Detection [41.436817746749384]
  Diffusion Modelはオブジェクト検出のためのスケーラブルなデータエンジンである。 DiffusionEngine(DE)は、高品質な検出指向のトレーニングペアを単一のステージで提供する。
  論文  参考訳（メタデータ） (2023-09-07T17:55:01Z)
• Uncovering Drift in Textual Data: An Unsupervised Method for Detecting and Mitigating Drift in Machine Learning Models [9.035254826664273]
  機械学習におけるドリフト(drift)とは、モデルが動作しているデータやコンテキストの統計的性質が時間とともに変化し、性能が低下する現象を指す。 提案手法では, 目標分布として生産データのサンプルを符号化し, モデルトレーニングデータを基準分布として符号化する。 また,ドリフトの根本原因である生産データのサブセットも同定する。 これらの高ドリフトサンプルを用いて再トレーニングしたモデルでは、オンライン顧客エクスペリエンスの品質指標のパフォーマンスが改善された。
  論文  参考訳（メタデータ） (2023-09-07T16:45:42Z)
• Data Models for Dataset Drift Controls in Machine Learning With Optical Images [8.818468649062932]
  主な障害モードは、トレーニングデータとデプロイメントデータの違いによるパフォーマンス低下である。 既存のアプローチでは、関心の対象であるデータ(データ)の明示的なモデルは説明できない。 本研究では、画像データに対してそのようなデータモデルを構築する方法を示し、データセットのドリフトに関連する下流機械学習モデルの性能を制御する。
  論文  参考訳（メタデータ） (2022-11-04T16:50:10Z)
• Benchmarking the Robustness of LiDAR-Camera Fusion for 3D Object Detection [58.81316192862618]
  自律運転における3D知覚のための2つの重要なセンサーは、カメラとLiDARである。 これら2つのモダリティを融合させることで、3次元知覚モデルの性能を大幅に向上させることができる。 我々は、最先端の核融合法を初めてベンチマークした。
  論文  参考訳（メタデータ） (2022-05-30T09:35:37Z)
• Improving Variational Autoencoder based Out-of-Distribution Detection for Embedded Real-time Applications [2.9327503320877457]
  アウト・オブ・ディストリビューション(OD)検出は、リアルタイムにアウト・オブ・ディストリビューションを検出するという課題に対処する新しいアプローチである。 本稿では,自律走行エージェントの周囲の有害な動きを頑健に検出する方法について述べる。 提案手法は,OoD因子の検出能力を一意に改善し,最先端手法よりも42%向上した。 また,本モデルでは,実験した実世界およびシミュレーション駆動データに対して,最先端技術よりも97%の精度でほぼ完璧に一般化した。
  論文  参考訳（メタデータ） (2021-07-25T07:52:53Z)
• One Million Scenes for Autonomous Driving: ONCE Dataset [91.94189514073354]
  自律運転シナリオにおける3次元物体検出のためのONCEデータセットを提案する。 データは、利用可能な最大の3D自動運転データセットよりも20倍長い144時間の運転時間から選択される。 我々はONCEデータセット上で、様々な自己教師的・半教師的手法を再現し、評価する。
  論文  参考訳（メタデータ） (2021-06-21T12:28:08Z)
• PerMO: Perceiving More at Once from a Single Image for Autonomous Driving [76.35684439949094]
  単一画像から完全テクスチャ化された車両の3次元モデルを検出し,セグメント化し,再構成する新しい手法を提案する。 私たちのアプローチは、ディープラーニングの強みと従来のテクニックの優雅さを組み合わせています。 我々はこれらのアルゴリズムを自律運転システムに統合した。
  論文  参考訳（メタデータ） (2020-07-16T05:02:45Z)
• Generalized ODIN: Detecting Out-of-distribution Image without Learning from Out-of-distribution Data [87.61504710345528]
  我々は,OoD検出性能を改善しつつ,ニューラルネットワークをOoDデータのチューニングから解放する2つの方法を提案する。 具体的には、信頼性スコアリングと修正された入力前処理法を分離することを提案する。 大規模画像データセットのさらなる解析により、セマンティックシフトと非セマンティックシフトの2種類の分布シフトが有意な差を示すことが示された。
  論文  参考訳（メタデータ） (2020-02-26T04:18:25Z)

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。