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

• Mitigating Covariate Shift in Imitation Learning for Autonomous Vehicles Using Latent Space Generative World Models [60.87795376541144]
  World Model(ワールドモデル)は、エージェントの次の状態を予測できるニューラルネットワークである。 エンド・ツー・エンドのトレーニングでは、人間のデモで観察された状態と整合してエラーから回復する方法を学ぶ。 クローズドループ試験における先行技術に有意な改善がみられた定性的,定量的な結果を示す。
  論文  参考訳（メタデータ） (2024-09-25T06:48:25Z)
• A-BDD: Leveraging Data Augmentations for Safe Autonomous Driving in Adverse Weather and Lighting [35.410769661423004]
  A-BDDは、BDD100Kをベースとした6万以上の合成画像の大規模な集合である。 データセットには、雨、霧、曇り、日陰、日陰の増設データが含まれており、強度レベルは様々である。 我々は、悪天候や照明条件における性能ギャップを埋める上で、データ拡張が重要な役割を果たす証拠を提供する。
  論文  参考訳（メタデータ） (2024-08-12T11:44:47Z)
• AIDE: An Automatic Data Engine for Object Detection in Autonomous Driving [68.73885845181242]
  本稿では,問題を自動的に識別し,データを効率よくキュレートし,自動ラベル付けによりモデルを改善する自動データエンジン(AIDE)を提案する。 さらに,AVデータセットのオープンワールド検出のためのベンチマークを構築し,様々な学習パラダイムを包括的に評価し,提案手法の優れた性能を低コストで実証する。
  論文  参考訳（メタデータ） (2024-03-26T04:27:56Z)
• 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)
• 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)
• 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)
• 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。