論文の概要: StyleLess layer: Improving robustness for real-world driving
- arxiv url: http://arxiv.org/abs/2103.13905v1
- Date: Thu, 25 Mar 2021 15:15:39 GMT
- ステータス: 処理完了
- システム内更新日: 2021-03-26 13:35:55.088208
- Title: StyleLess layer: Improving robustness for real-world driving
- Title(参考訳): StyleLessレイヤ: 現実の運転における堅牢性向上
- Authors: Julien Rebut, Andrei Bursuc, and Patrick P\'erez
- Abstract要約: ディープニューラルネットワーク(DNN)は、自動運転車にとって重要なコンポーネントです。
大量のラベル付きデータから情報を取り出し、優れた性能を発揮します。
しかし、現実世界の完全な複雑さをトレーニングデータにカプセル化することはできない。
stylelessと呼ばれる新しいタイプのレイヤによってこの問題に対処します。
- 参考スコア(独自算出の注目度): 5.9185565986343835
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Deep Neural Networks (DNNs) are a critical component for self-driving
vehicles. They achieve impressive performance by reaping information from high
amounts of labeled data. Yet, the full complexity of the real world cannot be
encapsulated in the training data, no matter how big the dataset, and DNNs can
hardly generalize to unseen conditions. Robustness to various image
corruptions, caused by changing weather conditions or sensor degradation and
aging, is crucial for safety when such vehicles are deployed in the real world.
We address this problem through a novel type of layer, dubbed StyleLess, which
enables DNNs to learn robust and informative features that can cope with
varying external conditions. We propose multiple variations of this layer that
can be integrated in most of the architectures and trained jointly with the
main task. We validate our contribution on typical autonomous-driving tasks
(detection, semantic segmentation), showing that in most cases, this approach
improves predictive performance on unseen conditions (fog, rain), while
preserving performance on seen conditions and objects.
- Abstract(参考訳): ディープニューラルネットワーク(DNN)は、自動運転車にとって重要なコンポーネントである。
大量のラベル付きデータから情報を取得することで、印象的なパフォーマンスを実現する。
しかし、データセットがどれだけ大きくても、現実世界の完全な複雑さをトレーニングデータにカプセル化することはできず、dnnは目に見えない条件に一般化することがほとんどない。
気象条件の変化やセンサーの劣化や老朽化によって引き起こされる様々な画像破損に対する堅牢性は、現実世界に車両を配備する場合の安全性に不可欠である。
この問題はStyleLessと呼ばれる新しいタイプのレイヤによって解決され、DNNは様々な外部条件に対処できる堅牢で情報的な特徴を学習することができる。
我々は、この層を多くのアーキテクチャに統合し、メインタスクと共同でトレーニングできる複数のバリエーションを提案する。
我々は、典型的な自律走行タスク(検出、セマンティックセグメンテーション)への貢献を検証し、ほとんどの場合、この手法は目に見えない状況(霧、雨)における予測性能を向上し、観察された状況や対象に対する性能を保っていることを示す。
関連論文リスト
- RainSD: Rain Style Diversification Module for Image Synthesis
Enhancement using Feature-Level Style Distribution [5.500457283114346]
本稿では,実際の道路データセットBDD100Kから発生するセンサブロックを用いた道路合成データセットを提案する。
このデータセットを用いて、自律運転のための多様なマルチタスクネットワークの劣化を評価し、分析した。
深層ニューラルネットワークを用いた自動運転車の認識システムの性能劣化傾向を深く分析した。
論文 参考訳(メタデータ) (2023-12-31T11:30:42Z) - Robust Monocular Depth Estimation under Challenging Conditions [81.57697198031975]
最先端のモノクル深度推定手法は、難解な照明や気象条件下では信頼性が低い。
我々はmd4allでこれらの安全クリティカルな問題に取り組む: 単純で効果的なソリューションで、悪条件と理想条件の両方で確実に機能する。
論文 参考訳(メタデータ) (2023-08-18T17:59:01Z) - Enhancing Multiple Reliability Measures via Nuisance-extended
Information Bottleneck [77.37409441129995]
トレーニングデータに制限がある現実的なシナリオでは、データ内の多くの予測信号は、データ取得のバイアスからより多く得る。
我々は,相互情報制約の下で,より広い範囲の摂動をカバーできる敵の脅威モデルを考える。
そこで本研究では,その目的を実現するためのオートエンコーダベーストレーニングと,提案したハイブリッド識別世代学習を促進するための実用的なエンコーダ設計を提案する。
論文 参考訳(メタデータ) (2023-03-24T16:03:21Z) - Perception Datasets for Anomaly Detection in Autonomous Driving: A
Survey [4.731404257629232]
異常検出手法の評価のために複数の知覚データセットが作成されている。
このサーベイは構造化され、私たちの知る限り、自律運転における異常検出のための知覚データセットの完全な概要と比較を提供する。
論文 参考訳(メタデータ) (2023-02-06T14:07:13Z) - Deep Learning based Computer Vision Methods for Complex Traffic
Environments Perception: A Review [22.53793239186955]
本稿では、インテリジェントトランスポートシステム(ITS)と自律運転(AD)におけるコンピュータビジョンの応用に関する広範な文献レビューを行った。
データ課題は、トレーニングデータの収集とラベル付け、実際の状況への関連性、データセット固有のバイアス、処理に必要な大量のデータ、プライバシの懸念に関連している。
ディープラーニング(DL)モデルは通常、組み込みハードウェアのリアルタイム処理には複雑すぎるため、説明可能性や一般化性が欠如しており、現実世界の設定ではテストが難しい。
論文 参考訳(メタデータ) (2022-11-09T05:16:01Z) - SHIFT: A Synthetic Driving Dataset for Continuous Multi-Task Domain
Adaptation [152.60469768559878]
ShiFTは、自動運転のための最大規模のマルチタスク合成データセットである。
曇り、雨と霧の強さ、昼の時間、車と歩行者の密度を個別に連続的に変化させる。
私たちのデータセットとベンチマークツールキットはwww.vis.xyz/shift.comで公開されています。
論文 参考訳(メタデータ) (2022-06-16T17:59:52Z) - Benchmarking the Robustness of LiDAR-Camera Fusion for 3D Object
Detection [58.81316192862618]
自律運転における3D知覚のための2つの重要なセンサーは、カメラとLiDARである。
これら2つのモダリティを融合させることで、3次元知覚モデルの性能を大幅に向上させることができる。
我々は、最先端の核融合法を初めてベンチマークした。
論文 参考訳(メタデータ) (2022-05-30T09:35:37Z) - An Efficient Domain-Incremental Learning Approach to Drive in All
Weather Conditions [8.436505917796174]
ディープニューラルネットワークは、自律運転のための印象的な視覚知覚性能を実現する。
彼らは、異なる気象条件に適応する際に、以前に学んだ情報を忘れがちである。
DISC -- 統計的補正によるドメインインクリメンタル - 新しいタスクを漸進的に学習できるシンプルなゼロフォゲッティングアプローチを提案する。
論文 参考訳(メタデータ) (2022-04-19T11:39:20Z) - Fine-Grained Vehicle Perception via 3D Part-Guided Visual Data
Augmentation [77.60050239225086]
実画像中の車両に動的部品を付加した3次元自動車モデルによる効果的なトレーニングデータ生成プロセスを提案する。
私達のアプローチは人間の相互作用なしで完全に自動です。
VUS解析用マルチタスクネットワークとVHI解析用マルチストリームネットワークを提案する。
論文 参考訳(メタデータ) (2020-12-15T03:03:38Z) - SoDA: Multi-Object Tracking with Soft Data Association [75.39833486073597]
マルチオブジェクトトラッキング(MOT)は、自動運転車の安全な配備の前提条件である。
観測対象間の依存関係をエンコードするトラック埋め込みの計算に注目するMOTに対する新しいアプローチを提案する。
論文 参考訳(メタデータ) (2020-08-18T03:40:25Z)
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。