論文の概要: Street-Map Based Validation of Semantic Segmentation in Autonomous Driving

• arxiv url: http://arxiv.org/abs/2104.07538v1
• Date: Thu, 15 Apr 2021 15:48:11 GMT
• ステータス: 処理完了
• システム内更新日: 2021-04-16 15:14:19.066916
• Title: Street-Map Based Validation of Semantic Segmentation in Autonomous Driving
• Title（参考訳）: ストリートマップに基づく自律運転におけるセマンティックセグメンテーションの検証
• Authors: Laura von Rueden, Tim Wirtz, Fabian Hueger, Jan David Schneider, Nico Piatkowski, Christian Bauckhage
• Abstract要約: セマンティックセグメンテーションマスクの検証方法を示し,OpenStreetMapを用いたアプローチの可能性を示す。 検証手法の他に,車両のGPS位置を補正する手法を提案する。
• 参考スコア（独自算出の注目度）: 3.175781028910441
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Artificial intelligence for autonomous driving must meet strict requirements on safety and robustness, which motivates the thorough validation of learned models. However, current validation approaches mostly require ground truth data and are thus both cost-intensive and limited in their applicability. We propose to overcome these limitations by a model agnostic validation using a-priori knowledge from street maps. In particular, we show how to validate semantic segmentation masks and demonstrate the potential of our approach using OpenStreetMap. We introduce validation metrics that indicate false positive or negative road segments. Besides the validation approach, we present a method to correct the vehicle's GPS position so that a more accurate localization can be used for the street-map based validation. Lastly, we present quantitative results on the Cityscapes dataset indicating that our validation approach can indeed uncover errors in semantic segmentation masks.
• Abstract（参考訳）: 自動運転のための人工知能は、安全性と堅牢性に関する厳格な要件を満たす必要がある。 しかし、現在の検証手法は、主に真理データを必要とするため、コストがかかり、適用性に制限がある。 道路地図からa-priori知識を用いたモデル非依存検証により,これらの制約を克服する。 特にセマンティックセグメンテーションマスクの検証方法を示し,OpenStreetMapを用いたアプローチの可能性を示す。 偽陽性または負の道路セグメントを示す検証指標を導入する。 検証手法の他に,車両のGPS位置を補正し,より正確な位置推定をストリートマップに基づく検証に利用できるようにする手法を提案する。 最後に,Cityscapesデータセットの定量的結果から,セマンティックセグメンテーションマスクの誤りを実際に発見できることを示す。

関連論文リスト

• Guiding Attention in End-to-End Driving Models [49.762868784033785]
  模倣学習によって訓練された視覚ベースのエンドツーエンドの運転モデルは、自動運転のための安価なソリューションにつながる可能性がある。 トレーニング中に損失項を追加することにより、これらのモデルの注意を誘導し、運転品質を向上させる方法について検討する。 従来の研究とは対照的に,本手法では,テスト期間中にこれらの有意義なセマンティックマップを利用できない。
  論文  参考訳（メタデータ） (2024-04-30T23:18:51Z)
• A Fixed-Point Approach to Unified Prompt-Based Counting [51.20608895374113]
  本研究の目的は,ボックス,ポイント,テキストなど,さまざまなプロンプト型で示されるオブジェクトの密度マップを生成することができる包括的プロンプトベースのカウントフレームワークを確立することである。 本モデルは,クラスに依存しない顕著なデータセットに優れ,データセット間の適応タスクにおいて優れた性能を示す。
  論文  参考訳（メタデータ） (2024-03-15T12:05:44Z)
• Fairness Without Harm: An Influence-Guided Active Sampling Approach [32.173195437797766]
  我々は、モデルの精度に害を与えることなく、グループフェアネスの格差を軽減するモデルを訓練することを目指している。 公正なアクティブな学習アプローチのような現在のデータ取得方法は、通常、アノテートセンシティブな属性を必要とする。 トレーニンググループアノテーションに依存しない抽出可能なアクティブデータサンプリングアルゴリズムを提案する。
  論文  参考訳（メタデータ） (2024-02-20T07:57:38Z)
• Consistent Validation for Predictive Methods in Spatial Settings [17.44650272751289]
  空間予測タスクは 天気予報や大気汚染の研究 その他の科学的取り組みの鍵です 検証のための古典的なアプローチでは、バリデーションで利用可能な場所と、予測したい場所(テスト)の間のミスマッチを処理できません。 我々は、検証データが任意に密になるにつれて、検証が任意に正確になる検証方法を定式化する。
  論文  参考訳（メタデータ） (2024-02-05T21:33:22Z)
• Learning Off-Road Terrain Traversability with Self-Supervisions Only [2.4316550366482357]
  オフロード環境における自律走行の様々な条件下で、地形の走行可能性の推定は信頼性と正確性を有するべきである。 本稿では,手動ラベルを使わずに自己スーパービジョンのみを利用する画像からトラバーサビリティを学習する手法を提案する。
  論文  参考訳（メタデータ） (2023-05-30T09:51:27Z)
• Certified Interpretability Robustness for Class Activation Mapping [77.58769591550225]
  本稿では,解釈可能性マップのためのCORGI(Certifiable prOvable Robustness Guarantees)を提案する。 CORGIは入力画像を取り込み、そのCAM解釈可能性マップのロバスト性に対する証明可能な下限を与えるアルゴリズムである。 交通標識データを用いたケーススタディによるCORGIの有効性を示す。
  論文  参考訳（メタデータ） (2023-01-26T18:58:11Z)
• Cluster-level pseudo-labelling for source-free cross-domain facial expression recognition [94.56304526014875]
  表情認識のためのSFUDA法を提案する。 本手法は,自己教師付き事前学習を利用して,対象データから優れた特徴表現を学習する。 提案手法の有効性を4つの適応方式で検証し,FERに適用した場合,既存のSFUDA法より一貫して優れていることを示す。
  論文  参考訳（メタデータ） (2022-10-11T08:24:50Z)
• Comparing Shape-Constrained Regression Algorithms for Data Validation [0.0]
  産業や科学の応用は、人間の手作業による検証が不可能な大量のデータを扱う。 本研究では,その分類精度と実行時性能に基づいて,データ検証を目的として,異なる形状制約付き回帰アルゴリズムを比較した。
  論文  参考訳（メタデータ） (2022-09-20T10:31:20Z)
• Tune it the Right Way: Unsupervised Validation of Domain Adaptation via Soft Neighborhood Density [125.64297244986552]
  本稿では,点間の類似度分布のエントロピーを計算し,ソフト近傍の密度を測定する教師なし検証基準を提案する。 私たちの基準は、競合する検証方法よりもシンプルですが、より効果的です。
  論文  参考訳（メタデータ） (2021-08-24T17:41:45Z)
• Towards Map-Based Validation of Semantic Segmentation Masks [4.193094722087424]
  自動運転車のための機械学習モデルについて,予備知識を付加して検証することを提案する。 特に,街路地図データを用いてセマンティックセグメンテーションマスクの乾燥領域を検証することを提案する。
  論文  参考訳（メタデータ） (2020-11-03T11:07:22Z)
• Rethinking Localization Map: Towards Accurate Object Perception with Self-Enhancement Maps [78.2581910688094]
  本研究は, カテゴリーラベルのみを監督として, 正確な対象位置分布マップと対象境界を抽出する, 新たな自己強調手法を提案する。 特に、提案されたセルフエンハンスメントマップは、ILSVRC上で54.88%の最先端のローカライゼーション精度を達成する。
  論文  参考訳（メタデータ） (2020-06-09T12:35:55Z)

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。