論文の概要: Bandwidth-Adaptive Feature Sharing for Cooperative LIDAR Object Detection

• arxiv url: http://arxiv.org/abs/2010.11353v1
• Date: Thu, 22 Oct 2020 00:12:58 GMT
• ステータス: 処理完了
• システム内更新日: 2022-10-04 06:50:02.365951
• Title: Bandwidth-Adaptive Feature Sharing for Cooperative LIDAR Object Detection
• Title（参考訳）: 協調lidar物体検出のための帯域適応型特徴共有
• Authors: Ehsan Emad Marvasti, Arash Raftari, Amir Emad Marvasti, Yaser P. Fallah
• Abstract要約: コネクテッド・自動運転車(CAV)領域で必要となる状況認識。 協調機構は、高速無線車載ネットワークを利用して状況認識を改善するソリューションを提供する。 本稿では,通信チャネル容量に適応する柔軟性を付加する機構と,新たな分散共有データアライメント手法を提案する。
• 参考スコア（独自算出の注目度）: 2.064612766965483
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Situational awareness as a necessity in the connected and autonomous vehicles (CAV) domain is the subject of a significant number of researches in recent years. The driver's safety is directly dependent on the robustness, reliability, and scalability of such systems. Cooperative mechanisms have provided a solution to improve situational awareness by utilizing high speed wireless vehicular networks. These mechanisms mitigate problems such as occlusion and sensor range limitation. However, the network capacity is a factor determining the maximum amount of information being shared among cooperative entities. The notion of feature sharing, proposed in our previous work, aims to address these challenges by maintaining a balance between computation and communication load. In this work, we propose a mechanism to add flexibility in adapting to communication channel capacity and a novel decentralized shared data alignment method to further improve cooperative object detection performance. The performance of the proposed framework is verified through experiments on Volony dataset. The results confirm that our proposed framework outperforms our previous cooperative object detection method (FS-COD) in terms of average precision.
• Abstract（参考訳）: 近年,コネクテッド・アンド・自律走行車(CAV)領域の必要性としての状況認識は,多くの研究の対象となっている。 運転者の安全性は、そのようなシステムの堅牢性、信頼性、スケーラビリティに直接依存する。 協調機構は、高速無線車両ネットワークを利用して状況認識を改善するソリューションを提供する。 これらのメカニズムは、咬合やセンサー範囲制限などの問題を緩和する。 しかし、ネットワーク容量は、協力団体間で共有される情報の最大量を決定する要因である。 本稿で提案した機能共有の概念は,計算処理と通信負荷のバランスを保ちながら,これらの課題に対処することを目的としている。 本研究では,通信チャネル容量への適応に柔軟性を付加する機構と,協調オブジェクト検出性能をさらに向上するための分散共有データアライメント手法を提案する。 提案フレームワークの性能はvolonyデータセットの実験によって検証される。 その結果,提案手法は,従来の協調物体検出法(FS-COD)よりも平均精度が高いことを確認した。

関連論文リスト

• Towards Interactive and Learnable Cooperative Driving Automation: a Large Language Model-Driven Decision-Making Framework [79.088116316919]
  コネクテッド・オートモービルズ(CAV)は世界中の道路試験を開始したが、複雑なシナリオにおける安全性と効率性はまだ十分ではない。 本稿では,対話型かつ学習可能なLLM駆動協調運転フレームワークCoDrivingLLMを提案する。
  論文  参考訳（メタデータ） (2024-09-19T14:36:00Z)
• Semantic Communication for Cooperative Perception using HARQ [51.148203799109304]
  我々は重要セマンティック情報を抽出するために重要地図を活用し、協調的な知覚セマンティックコミュニケーションフレームワークを導入する。 周波数分割多重化(OFDM)とチャネル推定と等化戦略を併用して,時間変化によるマルチパスフェーディングによる課題に対処する。 我々は,ハイブリッド自動繰り返し要求(HARQ)の精神において,我々の意味コミュニケーションフレームワークと統合された新しい意味エラー検出手法を提案する。
  論文  参考訳（メタデータ） (2024-08-29T08:53:26Z)
• On the Federated Learning Framework for Cooperative Perception [28.720571541022245]
  フェデレーション学習は、コネクテッドおよび自律走行車間の認識、意思決定、計画において、データのプライバシ保護と協調的な拡張を可能にすることで、有望なソリューションを提供する。 本研究では,FedDWAアルゴリズム(Federated dynamic weighted aggregate, FedDWA)と呼ばれる,CPのための特殊な統合学習フレームワークを提案する。 このフレームワークは、動的クライアント重み付けをモデル収束の直接化に利用し、KLD(Kullback-Leibler divergence)を利用して非独立的かつ同一に分散された(Non-IID)データとアンバランスなデータの有害な影響を対処する新しい損失関数を統合する。
  論文  参考訳（メタデータ） (2024-04-26T04:34:45Z)
• Integrated Sensing, Computation, and Communication for UAV-assisted Federated Edge Learning [52.7230652428711]
  フェデレーションエッジ学習(FEEL)は、エッジデバイスとサーバ間の定期的な通信を通じて、プライバシ保護モデルトレーニングを可能にする。 無人航空機(UAV)搭載エッジデバイスは、効率的なデータ収集における柔軟性と移動性のため、FEELにとって特に有利である。
  論文  参考訳（メタデータ） (2023-06-05T16:01:33Z)
• Attention Based Feature Fusion For Multi-Agent Collaborative Perception [4.120288148198388]
  グラフアテンションネットワーク(GAT)の形での中間的協調認識ソリューションを提案する。 提案手法は,複数の連結エージェント間で交換される中間表現を融合するアテンションベースのアグリゲーション戦略を開発する。 このアプローチは、チャネルレベルと空間レベルの中間特徴写像における重要な領域を適応的に強調することにより、オブジェクト検出精度が向上する。
  論文  参考訳（メタデータ） (2023-05-03T12:06:11Z)
• Collaborative Mean Estimation over Intermittently Connected Networks with Peer-To-Peer Privacy [86.61829236732744]
  本研究は、断続接続を有するネットワーク上での分散平均推定(DME)の問題について考察する。 目標は、中央サーバの助けを借りて、分散ノード間でローカライズされたデータサンプルに関するグローバル統計を学習することだ。 ノード間のデータ共有による協調中継とプライバシー漏洩のトレードオフについて検討する。
  論文  参考訳（メタデータ） (2023-02-28T19:17:03Z)
• Task-Oriented Sensing, Computation, and Communication Integration for Multi-Device Edge AI [108.08079323459822]
  本稿では,AIモデルの分割推論と統合センシング通信(ISAC)を併用した,新しいマルチインテリジェントエッジ人工レイテンシ(AI)システムについて検討する。 推定精度は近似的だが抽出可能な計量、すなわち判別利得を用いて測定する。
  論文  参考訳（メタデータ） (2022-07-03T06:57:07Z)
• Online V2X Scheduling for Raw-Level Cooperative Perception [21.099819062731463]
  視界が単独の知性を制限すると、コネクテッドカーの協調的な認識が救助にやってくる。 本稿では,センサ共有スケジューリングのエネルギー最小化問題を定式化して生レベルの協調認識モデルを提案する。 本稿では,対数的性能損失を伴うオンライン学習に基づくアルゴリズムを提案する。
  論文  参考訳（メタデータ） (2022-02-12T15:16:45Z)
• Vehicular Cooperative Perception Through Action Branching and Federated Reinforcement Learning [101.64598586454571]
  強化学習に基づく車両関連、リソースブロック(RB)割り当て、協調認識メッセージ(CPM)のコンテンツ選択を可能にする新しいフレームワークが提案されている。 車両全体のトレーニングプロセスをスピードアップするために、フェデレーションRLアプローチが導入されます。 その結果、フェデレーションRLはトレーニングプロセスを改善し、非フェデレーションアプローチと同じ時間内により良いポリシーを達成できることが示された。
  論文  参考訳（メタデータ） (2020-12-07T02:09:15Z)
• Feature Sharing and Integration for Cooperative Cognition and Perception with Volumetric Sensors [11.737037965090535]
  我々は、Deep Feature Sharing(DFS)の概念を詳細に分析する。 我々は,異なる協調物体検出設計を探求し,その性能を平均精度で評価する。 その結果,DFS法はGPSノイズによる局所化誤差にかなり敏感であることがわかった。
  論文  参考訳（メタデータ） (2020-11-16T22:43:44Z)
• Cooperative LIDAR Object Detection via Feature Sharing in Deep Networks [11.737037965090535]
  協調物体検出(FS-COD)のための特徴共有の概念を導入する。 提案手法では, 協調車両間で部分的に処理されたデータを共有することにより, 環境の理解を深める。 提案手法は,従来の単車車物体検出手法よりも性能に優れていた。
  論文  参考訳（メタデータ） (2020-02-19T20:47:09Z)

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。