論文の概要: Convex Online Video Frame Subset Selection using Multiple Criteria for
Data Efficient Autonomous Driving
- arxiv url: http://arxiv.org/abs/2103.13021v1
- Date: Wed, 24 Mar 2021 07:02:41 GMT
- ステータス: 処理完了
- システム内更新日: 2021-03-25 19:15:19.154545
- Title: Convex Online Video Frame Subset Selection using Multiple Criteria for
Data Efficient Autonomous Driving
- Title（参考訳）: 複数の基準を用いたconvex online video frame subset selection for data efficient autonomous driving
- Authors: Soumi Das, Harikrishna Patibandla, Suparna Bhattacharya, Kshounis
Bera, Niloy Ganguly, Sourangshu Bhattacharya
- Abstract要約: 我々は、データ効率のよい自動運転システムの開発の問題を研究する。
新規な凸最適化に基づくマルチ基準オンラインサブセット選択アルゴリズムを設計する。
実験の結果, 80%のフレームを落として, ほぼ100%のエピソードを完結させることができた。
100%のデータで訓練されたモデルです
- 参考スコア（独自算出の注目度）: 15.765989989244742
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Training vision-based Urban Autonomous driving models is a challenging
problem, which is highly researched in recent times. Training such models is a
data-intensive task requiring the storage and processing of vast volumes of
(possibly redundant) driving video data. In this paper, we study the problem of
developing data-efficient autonomous driving systems. In this context, we study
the problem of multi-criteria online video frame subset selection. We study
convex optimization-based solutions and show that they are unable to provide
solutions with high weightage to the loss of selected video frames. We design a
novel convex optimization-based multi-criteria online subset selection
algorithm that uses a thresholded concave function of selection variables. We
also propose and study a submodular optimization-based algorithm. Extensive
experiments using the driving simulator CARLA show that we are able to drop 80%
of the frames while succeeding to complete 100% of the episodes w.r.t. the
model trained on 100% data, in the most difficult task of taking turns. This
results in a training time of less than 30% compared to training on the whole
dataset. We also perform detailed experiments on prediction performances of
various affordances used by the Conditional Affordance Learning (CAL) model and
show that our subset selection improves performance on the crucial affordance
"Relative Angle" during turns.
- Abstract（参考訳）: ビジョンに基づく都市自律運転モデルの訓練は,近年,高度に研究されている課題である。
このようなモデルのトレーニングは、大量の(おそらく冗長な)動画データのストレージと処理を必要とするデータ集約的なタスクである。
本稿では,データ効率の高い自動運転システムの開発に関する課題について検討する。
本稿では,複数基準のオンラインビデオフレームサブセット選択の問題について検討する。
凸最適化に基づくソリューションについて検討し、選択したビデオフレームの損失に対して高い重み付けのソリューションを提供できないことを示す。
我々は,選択変数のしきい値付き凹関数を用いた,新しい凸最適化に基づく複数基準オンラインサブセット選択アルゴリズムを設計する。
また,部分モジュラ最適化に基づくアルゴリズムを提案する。
運転シミュレーターのcarlaを用いた大規模な実験では、フレームの80%を落とせると同時に、エピソードの100%を完了させることができた。
モデルは100%のデータに基づいてトレーニングされ、順番を取るのが最も難しいタスクです。
これにより、データセット全体のトレーニングと比較してトレーニング時間が30%未満になります。
また,条件付きアフォーアンス学習(cal)モデルが使用する様々なアフォーアンスの予測性能に関する詳細な実験を行い,各部分集合の選択が交互に重要なアフォーアンス「相対角」の性能を向上させることを示した。
関連論文リスト
- Controllable Unlearning for Image-to-Image Generative Models via $\varepsilon$-Constrained Optimization [12.627103884294476]
画像合成モデル(I2I)における機械学習問題について検討する。
従来の研究は主に、単独のソリューションを提供する単一目的最適化問題として扱われていた。
本稿では、制御係数$varepsilon$を用いてトレードオフを制御する制御可能なアンラ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） (2024-08-03T07:04:55Z) - Your Vision-Language Model Itself Is a Strong Filter: Towards
High-Quality Instruction Tuning with Data Selection [59.11430077029321]
視覚言語モデル(VLM)のための新しいデータセット選択手法であるSelf-Filterを導入する。
第1段階では、VLMと共同で学習する訓練指導の難しさを評価するためのスコアリングネットワークを考案する。
第2段階では、トレーニングされたスコアネットを使用して、各命令の難易度を測定し、最も難しいサンプルを選択し、類似したサンプルをペナルティ化し、多様性を促進する。
論文 参考訳（メタデータ） (2024-02-19T20:08:48Z) - DsDm: Model-Aware Dataset Selection with Datamodels [81.01744199870043]
標準的なプラクティスは、データ品質という人間の考え方にマッチする例をフィルタリングすることです。
質の高い"データソースとの類似性に応じた選択は、ランダムに選択するデータに比べてパフォーマンスが向上しない(さらに傷つく)可能性がある。
我々のフレームワークは、データ品質に関する手作業による概念を回避し、学習プロセスがターゲットタスクの予測にデータポイントをトレーニングする方法を明確にモデル化する。
論文 参考訳（メタデータ） (2024-01-23T17:22:00Z) - MILO: Model-Agnostic Subset Selection Framework for Efficient Model
Training and Tuning [68.12870241637636]
モデル学習からサブセット選択を分離するモデルに依存しないサブセット選択フレームワークMILOを提案する。
実験結果から、MILOはモデルを3ドル(約3,300円)でトレーニングし、ハイパーパラメータを20ドル(約2,300円)でチューニングできます。
論文 参考訳（メタデータ） (2023-01-30T20:59:30Z) - Winning solutions and post-challenge analyses of the ChaLearn AutoDL
challenge 2019 [112.36155380260655]
本稿では,ChaLearnのAutoDLチャレンジシリーズの結果と今後の課題について述べる。
その結果,一般的なニューラルネットワーク探索(NAS)は実用的ではなかったものの,DL手法が支配的であったことが示唆された。
メタラーナー"、"データインジェクタ"、"モデルセレクタ"、"モデル/ラーナー"、"評価器"を特徴とする、ハイレベルなモジュール化組織が登場した。
論文 参考訳（メタデータ） (2022-01-11T06:21:18Z) - Towards Optimal Strategies for Training Self-Driving Perception Models
in Simulation [98.51313127382937]
合成ドメインのみにおけるラベルの使用に焦点を当てる。
提案手法では,ニューラル不変表現の学習方法と,シミュレータからデータをサンプリングする方法に関する理論的にインスピレーションを得た視点を導入する。
マルチセンサーデータを用いた鳥眼視車両分割作業におけるアプローチについて紹介する。
論文 参考訳（メタデータ） (2021-11-15T18:37:43Z) - Balancing Constraints and Submodularity in Data Subset Selection [43.03720397062461]
より少ないトレーニングデータを用いて、従来のディープラーニングモデルと同様の精度が得られることを示す。
新たな多様性駆動客観的関数を提案し,マトロイドを用いたクラスラベルと決定境界の制約のバランスをとる。
論文 参考訳（メタデータ） (2021-04-26T19:22:27Z) - Diverse Complexity Measures for Dataset Curation in Self-driving [80.55417232642124]
トラフィックシーンの面白さを定量化する多様な基準を活用した新たなデータ選択手法を提案する。
実験の結果,提案するキュレーションパイプラインは,より汎用的で高いパフォーマンスをもたらすデータセットを選択できることが判明した。
論文 参考訳（メタデータ） (2021-01-16T23:45:02Z) - GLISTER: Generalization based Data Subset Selection for Efficient and
Robust Learning [11.220278271829699]
GeneraLIzationベースのデータSubset selecTion for Efficient and Robust LearningフレームワークであるGlisterを紹介します。
パラメータ更新とともに反復的にデータ選択を行う反復オンラインアルゴリズムglister-onlineを提案する。
筆者らのフレームワークは,(a) と (c) の場合に) 効率, 精度の両面で向上し, 他の最先端の堅牢な学習アルゴリズムと比較して, より効率的であることを示す。
論文 参考訳（メタデータ） (2020-12-19T08:41:34Z) - Hyperparameter Auto-tuning in Self-Supervised Robotic Learning [12.193817049957733]
不十分な学習(局所最適収束による)は、冗長な学習が時間と資源を浪費する一方で、低パフォーマンスの政策をもたらす。
自己教師付き強化学習のためのエビデンス下界(ELBO)に基づく自動チューニング手法を提案する。
本手法は,オンラインで自動チューニングが可能であり,計算資源のごく一部で最高の性能が得られる。
論文 参考訳（メタデータ） (2020-10-16T08:58:24Z) - Reinforced Data Sampling for Model Diversification [15.547681142342846]
本稿では,データを適切にサンプリングする方法を学ぶための新しいReinforced Data Smpling (RDS)法を提案する。
モデルダイバーシフィケーションの最適化問題である$delta-div$をデータサンプリングで定式化し,モデルダイバーシフィケーションを注入することで学習ポテンシャルと最適アロケーションを最大化する。
モデル多様化のためのトレーニング可能なサンプリングは,各種機械学習タスクの潜在能力を追求する競技組織,研究者,さらには開始者にとって有用であることが示唆された。
論文 参考訳（メタデータ） (2020-06-12T11:46:13Z)
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。