Fugu-MT 論文翻訳(概要): Investigating the Effect of Sensor Modalities in Multi-Sensor Detection-Prediction Models

論文の概要: Investigating the Effect of Sensor Modalities in Multi-Sensor Detection-Prediction Models

arxiv url: http://arxiv.org/abs/2101.03279v1
Date: Sat, 9 Jan 2021 03:21:36 GMT
ステータス: 処理完了
システム内更新日: 2021-04-09 07:24:57.118554
Title: Investigating the Effect of Sensor Modalities in Multi-Sensor Detection-Prediction Models
Title（参考訳）: マルチセンサ検出予測モデルにおけるセンサモードの影響の検討
Authors: Abhishek Mohta, Fang-Chieh Chou, Brian C. Becker, Carlos Vallespi-Gonzalez, Nemanja Djuric
Abstract要約: 我々は,モデル性能に対するセンサモダリティの寄与に注目した。また,上記の課題を解決するためにセンサドロップアウトの利用について検討する。
参考スコア（独自算出の注目度）: 8.354898936252516
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: Detection of surrounding objects and their motion prediction are critical components of a self-driving system. Recently proposed models that jointly address these tasks rely on a number of sensors to achieve state-of-the-art performance. However, this increases system complexity and may result in a brittle model that overfits to any single sensor modality while ignoring others, leading to reduced generalization. We focus on this important problem and analyze the contribution of sensor modalities towards the model performance. In addition, we investigate the use of sensor dropout to mitigate the above-mentioned issues, leading to a more robust, better-performing model on real-world driving data.
Abstract（参考訳）: 周囲物体の検出とその運動予測は、自動運転システムの重要な構成要素である。最近提案された、これらのタスクを共同で処理するモデルは、最先端のパフォーマンスを達成するために多くのセンサーに依存している。しかし、これによってシステムの複雑さが増大し、単一のセンサーのモダリティに過度に適合する不安定なモデルが得られ、一般化は減少する。この重要な問題に焦点をあて、モデル性能に対するセンサモードの寄与を分析する。さらに,センサドロップアウトを用いて上記の問題を緩和し,実世界の運転データに対してより堅牢で優れた性能のモデルを実現する。

関連論文リスト

MSSIDD: A Benchmark for Multi-Sensor Denoising [55.41612200877861]
我々は,マルチセンサSIDDデータセットという新しいベンチマークを導入する。これは,認知モデルのセンサ伝達性を評価するために設計された,最初の生ドメインデータセットである。そこで本研究では,センサに不変な特徴を認知モデルで学習することのできるセンサ一貫性トレーニングフレームワークを提案する。
論文参考訳（メタデータ） (2024-11-18T13:32:59Z)
Condition-Aware Multimodal Fusion for Robust Semantic Perception of Driving Scenes [56.52618054240197]
本研究では,運転シーンのロバストな意味認識のための条件対応型マルチモーダル融合手法を提案する。 CAFuserは、RGBカメラ入力を用いて環境条件を分類し、複数のセンサの融合を誘導するコンディショントークンを生成する。 MUSESデータセットでは,マルチモーダルパノプティクスセグメンテーションの59.7 PQ,セマンティックセグメンテーションの78.2 mIoU,公開ベンチマークの1位にランクインした。
論文参考訳（メタデータ） (2024-10-14T17:56:20Z)
Increasing the Robustness of Model Predictions to Missing Sensors in Earth Observation [5.143097874851516]
入力センサドロップアウト(ISensD)とアンサンブルセンサ不変(ESensI)という,マルチセンサシナリオに適した2つの新しい手法について検討した。これらの手法は, モデル予測の頑健さを, センサの欠如に対して効果的に向上させることを示した。アンサンブル・マルチセンサー・モデルはセンサの欠如に対して最も頑丈であることが観察された。
論文参考訳（メタデータ） (2024-07-22T09:58:29Z)
OOSTraj: Out-of-Sight Trajectory Prediction With Vision-Positioning Denoising [49.86409475232849]
軌道予測はコンピュータビジョンと自律運転の基本である。この分野における既存のアプローチは、しばしば正確で完全な観測データを仮定する。本稿では,視覚的位置決め技術を利用した視線外軌道予測手法を提案する。
論文参考訳（メタデータ） (2024-04-02T18:30:29Z)
Data-Based Design of Multi-Model Inferential Sensors [0.0]
産業プロセスの非線形特性は、通常、単純な線形推論センサーを設計する主な制限である。本稿では,マルチモデル推論センサの設計のための2つの新しいアプローチを提案する。その結果、単モデル/複数モデル推論センサの最先端設計技術よりも大幅に改善された。
論文参考訳（メタデータ） (2023-08-05T12:55:15Z)
A Real-time Human Pose Estimation Approach for Optimal Sensor Placement in Sensor-based Human Activity Recognition [63.26015736148707]
本稿では,人間の行動認識に最適なセンサ配置の課題を解決するための新しい手法を提案する。得られた骨格データは、最適なセンサ位置を特定するためのユニークな戦略を提供する。本研究は,センサ配置の視覚的手法が従来のディープラーニング手法と同等の結果をもたらすことを示唆している。
論文参考訳（メタデータ） (2023-07-06T10:38:14Z)
Detection of Sensor-To-Sensor Variations using Explainable AI [2.2956649873563952]
化学抵抗性ガス検知装置は製造中のセンサの変動の問題に悩まされている。本研究では、SHAP(SHAP)のAI(XAI)法を用いて、センサデバイスにおけるセンサとセンサの変動を検出する新しい手法を提案する。本手法は,GRU(Gated Recurrent Unit)モデルをトレーニングするために,人工的および現実的なオゾン濃度プロファイルを用いて試験する。
論文参考訳（メタデータ） (2023-06-19T11:00:54Z)
Anomaly Detection and Inter-Sensor Transfer Learning on Smart Manufacturing Datasets [6.114996271792091]
スマートマニュファクチャリングシステムの目標は、運用コストを削減し、ダウンタイムをなくすために、失敗を迅速に検出(または予測)することである。これはしばしば、システムから取得したセンサーの日程内で異常を検出することに起因する。スマートマニュファクチャリングアプリケーションドメインは、ある種の健全な技術的課題を提起します。予測的障害分類が達成できることを示し、予測的メンテナンスの道を開く。
論文参考訳（メタデータ） (2022-06-13T17:51:24Z)
Assessing Machine Learning Approaches to Address IoT Sensor Drift [0.15229257192293197]
本研究では,現実的な条件下でのセンサドリフトに対処し,適応する能力について,いくつかのアプローチを研究・検証する。これらのアプローチのほとんどは最近のもので、現状の最先端を代表している。その結果, センサドリフトによるセンサ性能の低下が認められた。
論文参考訳（メタデータ） (2021-09-02T19:15:31Z)
Bandit Quickest Changepoint Detection [55.855465482260165]
すべてのセンサの継続的な監視は、リソースの制約のためにコストがかかる可能性がある。有限パラメータ化確率分布の一般クラスに対する検出遅延に基づく情報理論の下界を導出する。本稿では,異なる検知オプションの探索と質問行動の活用をシームレスに両立させる,計算効率のよいオンラインセンシング手法を提案する。
論文参考訳（メタデータ） (2021-07-22T07:25:35Z)
Learning Selective Sensor Fusion for States Estimation [47.76590539558037]
本稿では,エンド・ツー・エンドのセンサ・フュージョン・モジュールであるSelectFusionを提案する。予測中、ネットワークは異なるセンサーモードから潜伏する特徴の信頼性を評価することができる。我々は、公開データセットと漸進的に劣化したデータセットの両方において、すべての融合戦略を広範囲に評価する。
論文参考訳（メタデータ） (2019-12-30T20:25:16Z)

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。