論文の概要: A Review and Comparative Study on Probabilistic Object Detection in Autonomous Driving

• arxiv url: http://arxiv.org/abs/2011.10671v2
• Date: Sun, 11 Jul 2021 07:04:10 GMT
• ステータス: 処理完了
• システム内更新日: 2022-09-23 06:24:40.000632
• Title: A Review and Comparative Study on Probabilistic Object Detection in Autonomous Driving
• Title（参考訳）: 自律運転における確率的物体検出に関するレビューと比較研究
• Authors: Di Feng, Ali Harakeh, Steven Waslander, Klaus Dietmayer
• Abstract要約: 物体検出の不確実性の捕捉は、安全な自律運転には不可欠である。 深部物体検出における不確実性推定の要約はない。 本稿では,既存の確率的物体検出手法のレビューと比較検討を行う。
• 参考スコア（独自算出の注目度）: 14.034548457000884
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Capturing uncertainty in object detection is indispensable for safe autonomous driving. In recent years, deep learning has become the de-facto approach for object detection, and many probabilistic object detectors have been proposed. However, there is no summary on uncertainty estimation in deep object detection, and existing methods are not only built with different network architectures and uncertainty estimation methods, but also evaluated on different datasets with a wide range of evaluation metrics. As a result, a comparison among methods remains challenging, as does the selection of a model that best suits a particular application. This paper aims to alleviate this problem by providing a review and comparative study on existing probabilistic object detection methods for autonomous driving applications. First, we provide an overview of generic uncertainty estimation in deep learning, and then systematically survey existing methods and evaluation metrics for probabilistic object detection. Next, we present a strict comparative study for probabilistic object detection based on an image detector and three public autonomous driving datasets. Finally, we present a discussion of the remaining challenges and future works. Code has been made available at https://github.com/asharakeh/pod_compare.git
• Abstract（参考訳）: 物体検出の不確実性の捕捉は安全な自動運転には不可欠である。 近年,ディープラーニングがオブジェクト検出のデファクトアプローチとなり,多くの確率的オブジェクト検出法が提案されている。 しかし、深層物体検出における不確実性推定の要約は存在せず、既存の手法は異なるネットワークアーキテクチャと不確実性推定法で構築されるだけでなく、幅広い評価指標を持つ異なるデータセット上で評価される。 結果として、特定のアプリケーションに最も適したモデルの選択と同様に、メソッド間の比較は難しいままである。 本論文は,既存の確率的物体検出法を自動運転応用に適用することで,この問題を緩和することを目的としている。 まず,深層学習における汎用的不確実性推定の概観を提供し,確率的物体検出のための既存手法と評価指標を体系的に調査する。 次に、画像検出器と3つの公道運転データセットに基づく確率的物体検出のための厳密な比較研究を提案する。 最後に,残りの課題と今後の課題について考察する。 コードはhttps://github.com/asharakeh/pod_compare.gitで利用可能である。

関連論文リスト

• Bayesian Detector Combination for Object Detection with Crowdsourced Annotations [49.43709660948812]
  制約のない画像できめ細かなオブジェクト検出アノテーションを取得するのは、時間がかかり、コストがかかり、ノイズに悩まされる。 ノイズの多いクラウドソースアノテーションでオブジェクト検出をより効果的に訓練するための新しいベイズ検出結合(BDC)フレームワークを提案する。 BDCはモデルに依存しず、アノテータのスキルレベルに関する事前の知識を必要とせず、既存のオブジェクト検出モデルとシームレスに統合される。
  論文  参考訳（メタデータ） (2024-07-10T18:00:54Z)
• Uncertainty-Aware AB3DMOT by Variational 3D Object Detection [74.8441634948334]
  不確実性推定は統計的に正確な予測を提供する効果的なツールである。 本稿では,変分ニューラルネットワークを用いたTANet 3Dオブジェクト検出器を提案し,不確実性のある3Dオブジェクト検出を行う。
  論文  参考訳（メタデータ） (2023-02-12T14:30:03Z)
• Object Detection as Probabilistic Set Prediction [3.7599363231894176]
  本稿では,確率的物体検出器の評価と訓練を行うための適切なスコアリングルールを提案する。 以上の結果から,既存の検出器のトレーニングは非確率的指標に最適化されていることが示唆された。
  論文  参考訳（メタデータ） (2022-03-15T15:13:52Z)
• The Familiarity Hypothesis: Explaining the Behavior of Deep Open Set Methods [86.39044549664189]
  特徴ベクトルデータに対する異常検出アルゴリズムは異常を外れ値として識別するが、外れ値検出はディープラーニングではうまく機能しない。 本論文は, 新規性の有無ではなく, 慣れ親しんだ特徴の欠如を検知しているため, これらの手法が成功するというFamiliarity仮説を提案する。 本論文は,親しみやすさの検出が表現学習の必然的な結果であるかどうかを論じる。
  論文  参考訳（メタデータ） (2022-03-04T18:32:58Z)
• Probabilistic Approach for Road-Users Detection [0.0]
  最先端のディープラーニングに基づくオブジェクト検出における大きな課題の1つは、自信過剰なスコアで発生する偽陽性である。 本稿では, 深層物体検出ネットワークに新しい確率層を導入することにより, 過信予測の問題を緩和する手法を提案する。 提案手法は, 真正に対する性能を劣化させることなく, 偽正の過信を低減できることを実証した。
  論文  参考訳（メタデータ） (2021-12-02T16:02:08Z)
• Uncertainty Aware Proposal Segmentation for Unknown Object Detection [13.249453757295083]
  本稿では,セマンティックセグメンテーションモデルのさらなる予測と信頼性の定量化を提案する。 本研究では,地域提案ネットワーク(RPN)が生成するオブジェクト提案を用いて,セマンティックセグメンテーションの精度評価を行う。 拡張オブジェクトの提案は、未知のオブジェクトカテゴリと未知のオブジェクトカテゴリの分類器をトレーニングするために使用される。
  論文  参考訳（メタデータ） (2021-11-25T01:53:05Z)
• 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)
• Labels Are Not Perfect: Inferring Spatial Uncertainty in Object Detection [26.008419879970365]
  本研究では,生成モデルに基づいて,lidar point cloudのバウンディングボックスラベルの不確かさを推定する。 包括的実験により,提案モデルはライダー知覚とラベル品質の複雑な環境雑音を反映していることがわかった。 ラベルの不確実性を組み込んだ新しい評価指標としてJaccard IoUを提案する。
  論文  参考訳（メタデータ） (2020-12-18T09:11:44Z)
• Slender Object Detection: Diagnoses and Improvements [74.40792217534]
  本稿では,超高アスペクト比,すなわちtextbfslender オブジェクトの特定タイプの検出について検討する。 古典的物体検出法では、細い物体に対してのみ評価される場合、COCO上の18.9%のmAPの劇的な低下が観察される。
  論文  参考訳（メタデータ） (2020-11-17T09:39:42Z)
• Inferring Spatial Uncertainty in Object Detection [35.28872968233385]
  本稿では,LiDAR点雲から境界ボックスラベルの不確かさを推定する生成モデルを提案する。 総合実験により,提案モデルが運転シナリオでよく見られる不確実性を表すことを示す。 ラベルの不確実性を考慮した新しい評価指標として,Jaccard IoU(JIoU)と呼ばれるIoUの拡張を提案する。
  論文  参考訳（メタデータ） (2020-03-07T19:29:43Z)
• CONSAC: Robust Multi-Model Fitting by Conditional Sample Consensus [62.86856923633923]
  我々は,同じ形状の複数のパラメトリックモデルを雑音測定に適合させる頑健な推定器を提案する。 複数のモデル検出のための手作り検索戦略を利用する従来の研究とは対照的に,データから検索戦略を学習する。 探索の自己教師付き学習において,提案したアルゴリズムをマルチホログラフィー推定で評価し,最先端手法よりも優れた精度を示す。
  論文  参考訳（メタデータ） (2020-01-08T17:37:01Z)

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。