Fugu-MT 論文翻訳(概要): Online Monitoring of Object Detection Performance During Deployment

論文の概要: Online Monitoring of Object Detection Performance During Deployment

arxiv url: http://arxiv.org/abs/2011.07750v2
Date: Tue, 9 Mar 2021 06:20:05 GMT
ステータス: 処理完了
システム内更新日: 2022-09-25 00:22:47.921250
Title: Online Monitoring of Object Detection Performance During Deployment
Title（参考訳）: デプロイ時のオブジェクト検出性能のオンラインモニタリング
Authors: Quazi Marufur Rahman, Niko S\"underhauf, Feras Dayoub
Abstract要約: 入力フレームのスライディングウィンドウ上での平均平均精度(mAP)を予測し,対象検出器の性能を監視するカスケードニューラルネットワークを提案する。我々は、自律走行データセットと物体検出装置の異なる組み合わせを用いて、提案手法の評価を行った。
参考スコア（独自算出の注目度）: 6.166295570030645
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: During deployment, an object detector is expected to operate at a similar performance level reported on its testing dataset. However, when deployed onboard mobile robots that operate under varying and complex environmental conditions, the detector's performance can fluctuate and occasionally degrade severely without warning. Undetected, this can lead the robot to take unsafe and risky actions based on low-quality and unreliable object detections. We address this problem and introduce a cascaded neural network that monitors the performance of the object detector by predicting the quality of its mean average precision (mAP) on a sliding window of the input frames. The proposed cascaded network exploits the internal features from the deep neural network of the object detector. We evaluate our proposed approach using different combinations of autonomous driving datasets and object detectors.
Abstract（参考訳）: デプロイ中、オブジェクト検出器は、テストデータセットで報告される同様のパフォーマンスレベルで動作することが期待される。しかし、様々な複雑な環境条件下で作動する移動ロボットに配備された場合、検出器の性能は変動し、時には警告なしで悪化することがある。検出されないと、ロボットは低品質で信頼性の低い物体検出に基づいて安全で危険な行動をとることができる。この問題に対処し、入力フレームのスライディングウィンドウにおける平均平均精度(mAP)の品質を予測し、対象検出器の性能を監視するカスケードニューラルネットワークを導入する。提案したカスケードネットワークは、物体検出器のディープニューラルネットワークの内部特徴を利用する。提案手法は,自律運転データセットと物体検出器の異なる組み合わせを用いて評価する。

関連論文リスト

Uncertainty Estimation for 3D Object Detection via Evidential Learning [63.61283174146648]
本稿では,3次元検出器における鳥の視線表示における明らかな学習損失を利用して,3次元物体検出の不確かさを定量化するためのフレームワークを提案する。本研究では,これらの不確実性評価の有効性と重要性を,分布外シーンの特定,局所化の不十分な物体の発見,および(偽陰性)検出の欠如について示す。
論文参考訳（メタデータ） (2024-10-31T13:13:32Z)
Run-time Monitoring of 3D Object Detection in Automated Driving Systems Using Early Layer Neural Activation Patterns [12.384452095533396]
自動運転システム(ADS)の統合性監視は安全性を確保する上で最重要である。近年のディープニューラルネットワーク(DNN)を用いた物体検出装置の進歩,検出誤差への感受性は重要な懸念点である。
論文参考訳（メタデータ） (2024-04-11T12:24:47Z)
Run-time Introspection of 2D Object Detection in Automated Driving Systems Using Learning Representations [13.529124221397822]
ディープニューラルネットワーク(DNN)に基づく2次元物体検出のための新しいイントロスペクションソリューションを提案する。 KITTIとBDDのデータセットで評価された1段階および2段階のオブジェクト検出器を用いて,2次元オブジェクト検出におけるエラー検出のためのSOTAイントロスペクション機構を実装した。性能評価の結果,提案手法はSOTA法より優れており,BDDデータセットのエラー率を9%から17%まで絶対的に削減できることがわかった。
論文参考訳（メタデータ） (2024-03-02T10:56:14Z)
LS-VOS: Identifying Outliers in 3D Object Detections Using Latent Space Virtual Outlier Synthesis [10.920640666237833]
LiDARベースの3Dオブジェクト検出器は、自動運転アプリケーションにおいて前例のないスピードと精度を達成した。それらはしばしば、信頼度の高い予測や、実際のオブジェクトが存在しないリターン検出に偏っている。 LS-VOSは,3次元物体検出における外れ値の同定を行うフレームワークである。
論文参考訳（メタデータ） (2023-10-02T07:44:26Z)
Towards Building Self-Aware Object Detectors via Reliable Uncertainty Quantification and Calibration [17.461451218469062]
本稿では,自己認識オブジェクト検出(SAOD)タスクを紹介する。 SAODタスクは、自律運転のような安全クリティカルな環境でオブジェクト検出器が直面する課題を尊重し、遵守する。我々は、多数のオブジェクト検出器をテストするために、新しいメトリクスと大規模なテストデータセットを導入したフレームワークを広範囲に使用しています。
論文参考訳（メタデータ） (2023-07-03T11:16:39Z)
A Quality Index Metric and Method for Online Self-Assessment of Autonomous Vehicles Sensory Perception [164.93739293097605]
本稿では,検出品質指標(DQI)と呼ばれる新しい評価指標を提案し,カメラを用いた物体検出アルゴリズムの性能を評価する。我々は,提案したDQI評価指標を予測するために,原画像画素とスーパーピクセルを入力として利用するスーパーピクセルベースのアテンションネットワーク(SPA-NET)を開発した。
論文参考訳（メタデータ） (2022-03-04T22:16:50Z)
CertainNet: Sampling-free Uncertainty Estimation for Object Detection [65.28989536741658]
ニューラルネットワークの不確実性を推定することは、安全クリティカルな設定において基本的な役割を果たす。本研究では,オブジェクト検出のための新しいサンプリング不要不確実性推定法を提案する。私たちはそれをCertainNetと呼び、各出力信号に対して、オブジェクト性、クラス、位置、サイズという、別の不確実性を提供するのは、これが初めてです。
論文参考訳（メタデータ） (2021-10-04T17:59:31Z)
Robust Object Detection via Instance-Level Temporal Cycle Confusion [89.1027433760578]
物体検出器の分布外一般化を改善するための補助的自己監視タスクの有効性を検討する。最大エントロピーの原理に触発されて,新しい自己監督タスクであるインスタンスレベル時間サイクル混乱(cycconf)を導入する。それぞれのオブジェクトに対して、タスクは、ビデオ内の隣接するフレームで最も異なるオブジェクトの提案を見つけ、自己スーパービジョンのために自分自身にサイクルバックすることです。
論文参考訳（メタデータ） (2021-04-16T21:35:08Z)
Robust and Accurate Object Detection via Adversarial Learning [111.36192453882195]
この研究は、逆の例を探索することで、物体検出器の微調整段階を補強する。提案手法は,オブジェクト検出ベンチマークにおいて,最先端のEfficientDetsの性能を+1.1mAP向上させる。
論文参考訳（メタデータ） (2021-03-23T19:45:26Z)
Per-frame mAP Prediction for Continuous Performance Monitoring of Object Detection During Deployment [6.166295570030645]
本稿では,デプロイメント中のパフォーマンスモニタリングに対するイントロスペクションアプローチを提案する。フレーム当たりの平均精度がクリティカルしきい値以下になると予測する。我々は,誤った判断を下すことによってリスクを低減する手法の能力を定量的に評価し,実証する。
論文参考訳（メタデータ） (2020-09-18T06:37:52Z)
Risk-Averse MPC via Visual-Inertial Input and Recurrent Networks for Online Collision Avoidance [95.86944752753564]
本稿では,モデル予測制御(MPC)の定式化を拡張したオンライン経路計画アーキテクチャを提案する。我々のアルゴリズムは、状態推定の共分散を推論するリカレントニューラルネットワーク(RNN)とオブジェクト検出パイプラインを組み合わせる。本手法のロバスト性は, 複雑な四足歩行ロボットの力学で検証され, ほとんどのロボットプラットフォームに適用可能である。
論文参考訳（メタデータ） (2020-07-28T07:34:30Z)

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。