論文の概要: Large Scale Autonomous Driving Scenarios Clustering with Self-supervised Feature Extraction

• arxiv url: http://arxiv.org/abs/2103.16101v1
• Date: Tue, 30 Mar 2021 06:22:40 GMT
• ステータス: 処理完了
• システム内更新日: 2021-03-31 14:58:26.494522
• Title: Large Scale Autonomous Driving Scenarios Clustering with Self-supervised Feature Extraction
• Title（参考訳）: 自己監督型特徴抽出による大規模自律走行シナリオクラスタリング
• Authors: Jinxin Zhao, Jin Fang, Zhixian Ye and Liangjun Zhang
• Abstract要約: 本稿では,自動車運転データの大規模集合に対する包括的データクラスタリングフレームワークを提案する。 提案手法では,トラヒック内エージェントオブジェクトとマップ情報の両方を含むトラフィック要素を網羅的に検討する。 新たに設計されたデータクラスタリング評価メトリクスは、データ拡張に基づくものであるため、精度評価には人間のラベル付きデータセットは必要ない。
• 参考スコア（独自算出の注目度）: 6.804209932400134
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: The clustering of autonomous driving scenario data can substantially benefit the autonomous driving validation and simulation systems by improving the simulation tests' completeness and fidelity. This article proposes a comprehensive data clustering framework for a large set of vehicle driving data. Existing algorithms utilize handcrafted features whose quality relies on the judgments of human experts. Additionally, the related feature compression methods are not scalable for a large data-set. Our approach thoroughly considers the traffic elements, including both in-traffic agent objects and map information. Meanwhile, we proposed a self-supervised deep learning approach for spatial and temporal feature extraction to avoid biased data representation. With the newly designed driving data clustering evaluation metrics based on data-augmentation, the accuracy assessment does not require a human-labeled data-set, which is subject to human bias. Via such unprejudiced evaluation metrics, we have shown our approach surpasses the existing methods that rely on handcrafted feature extractions.
• Abstract（参考訳）: 自動運転シナリオデータのクラスタリングは、シミュレーションテストの完全性と忠実性を改善することにより、自動運転検証とシミュレーションシステムに大きなメリットがある。 本稿では,自動車運転データの大規模集合に対する包括的データクラスタリングフレームワークを提案する。 既存のアルゴリズムは、人間の専門家の判断に依存する手作りの機能を利用する。 さらに、関連する特徴圧縮手法は大規模データセットには拡張性がない。 提案手法では,トラヒック内エージェントオブジェクトとマップ情報の両方を含むトラフィック要素を網羅的に検討する。 一方,偏りのあるデータ表現を避けるために,時間的特徴抽出のための自己教師付きディープラーニング手法を提案した。 データ提供に基づくデータクラスタリング評価メトリクスを新たに設計した駆動型データクラスタリングでは、精度評価には人間のバイアスの対象となるヒューマンラベルデータセットを必要としない。 このような偏見のない評価指標により,手作業による特徴抽出に依存した既存手法を超越したアプローチが示されている。

関連論文リスト

• Traffic and Safety Rule Compliance of Humans in Diverse Driving Situations [48.924085579865334]
  安全な運転プラクティスを再現する自律システムを開発するためには、人間のデータを分析することが不可欠だ。 本稿では,複数の軌道予測データセットにおける交通・安全規則の適合性の比較評価を行う。
  論文  参考訳（メタデータ） (2024-11-04T09:21:00Z)
• SubjectDrive: Scaling Generative Data in Autonomous Driving via Subject Control [59.20038082523832]
  我々は、自動走行アプリケーションの改善を継続的に行う方法で、生成データ生産を拡大することが証明された最初のモデルであるSubjectDriveを提案する。 本研究では, 多様なデータを生成するために, 多様な外部データソースを活用可能な, 主観制御機構を備えた新しいモデルを開発する。
  論文  参考訳（メタデータ） (2024-03-28T14:07:13Z)
• 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)
• ANNA: A Deep Learning Based Dataset in Heterogeneous Traffic for Autonomous Vehicles [2.932123507260722]
  本研究ではバングラデシュの視点で、特定されていない車両を含むカスタムビルドデータセットについて論じる。 IOU(Intersection Over Union)メトリックを用いたモデルの評価により,データセットの妥当性チェックを行った。 その結果、バングラデシュのトラフィックに関するKITTIまたはCOCOデータセットでトレーニングされたモデルよりも、カスタムデータセットでトレーニングされたモデルの方が正確で効率的であることが判明した。
  論文  参考訳（メタデータ） (2024-01-21T01:14:04Z)
• FedDriveScore: Federated Scoring Driving Behavior with a Mixture of Metric Distributions [6.195950768412144]
  集中型学習に代わるプライバシフレンドリな代替手段として,自動車とクラウドのコラボレーションが提案されている。 このフレームワークは、グローバルスコアリングモデルの性能劣化を低減するために、一貫したスコアリング手法のフェデレーションバージョンを含む。
  論文  参考訳（メタデータ） (2024-01-13T02:15:41Z)
• A Survey on Datasets for Decision-making of Autonomous Vehicle [11.556769001552768]
  意思決定は、ハイレベルな自動走行に向けた重要なモジュールの1つである。 データ駆動による意思決定アプローチは、ますます注目を集めています。 本研究では、車両、環境、運転者関連データの最先端データセットを比較した。
  論文  参考訳（メタデータ） (2023-06-29T08:42:18Z)
• Unsupervised Self-Driving Attention Prediction via Uncertainty Mining and Knowledge Embedding [51.8579160500354]
  本研究では、不確実性モデリングと知識統合の駆動による自動運転の注意を予測できる教師なし手法を提案する。 結果は、完全に教師された最先端のアプローチと比較して、同等またはさらに印象的なパフォーマンスを示している。
  論文  参考訳（メタデータ） (2023-03-17T00:28:33Z)
• Trajectory Clustering Performance Evaluation: If we know the answer, it's not clustering [0.6472434306724609]
  軌道クラスタリングは教師なしのタスクである。 7つの交差点の軌跡データを用いて,類似度,クラスタリングアルゴリズム,評価尺度の総合的な比較を行う。
  論文  参考訳（メタデータ） (2021-12-02T19:25:38Z)
• Clustering augmented Self-Supervised Learning: Anapplication to Land Cover Mapping [10.720852987343896]
  本稿では,自己教師型学習のためのクラスタリングに基づくプレテキストタスクを用いて,土地被覆マッピングの新しい手法を提案する。 社会的に関係のある2つのアプリケーションに対して,本手法の有効性を示す。
  論文  参考訳（メタデータ） (2021-08-16T19:35:43Z)
• One Million Scenes for Autonomous Driving: ONCE Dataset [91.94189514073354]
  自律運転シナリオにおける3次元物体検出のためのONCEデータセットを提案する。 データは、利用可能な最大の3D自動運転データセットよりも20倍長い144時間の運転時間から選択される。 我々はONCEデータセット上で、様々な自己教師的・半教師的手法を再現し、評価する。
  論文  参考訳（メタデータ） (2021-06-21T12:28:08Z)
• 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)

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。