論文の概要: Robustness Enhancement of Object Detection in Advanced Driver Assistance Systems (ADAS)

• arxiv url: http://arxiv.org/abs/2105.01580v1
• Date: Tue, 4 May 2021 15:42:43 GMT
• ステータス: 処理完了
• システム内更新日: 2021-05-05 12:55:57.186343
• Title: Robustness Enhancement of Object Detection in Advanced Driver Assistance Systems (ADAS)
• Title（参考訳）: 高度運転支援システム(ADAS)における物体検出のロバスト性向上
• Authors: Le-Anh Tran, Truong-Dong Do, Dong-Chul Park, My-Ha Le
• Abstract要約: 提案システムは、(1)最新鋭の物体検出器と対等な精度で性能が期待できる小型のワンステージ物体検出器と、(2)状況の意義から、自動運転車が人間の行動を必要とする場合には、警報信号をクラウドに送信するのに役立つ環境条件検出器の2つの主要コンポーネントを含む。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: A unified system integrating a compact object detector and a surrounding environmental condition classifier for enhancing the robustness of object detection scheme in advanced driver assistance systems (ADAS) is proposed in this paper. ADAS are invented to improve traffic safety and effectiveness in autonomous driving systems where object detection plays an extremely important role. However, modern object detectors integrated in ADAS are still unstable due to high latency and the variation of the environmental contexts in the deployment phase. Our system is proposed to address the aforementioned problems. The proposed system includes two main components: (1) a compact one-stage object detector which is expected to be able to perform at a comparable accuracy compared to state-of-the-art object detectors, and (2) an environmental condition detector that helps to send a warning signal to the cloud in case the self-driving car needs human actions due to the significance of the situation. The empirical results prove the reliability and the scalability of the proposed system to realistic scenarios.
• Abstract（参考訳）: 本稿では, 高速運転支援システム(ADAS)における物体検出手法の堅牢性を高めるため, コンパクト物体検出器と環境条件分類器を統合した統合システムを提案する。 ADASは、物体検出が極めて重要な役割を果たす自律運転システムにおいて、交通安全と有効性を改善するために発明されている。 しかし、adasに統合された現代の物体検出器は、高いレイテンシと展開段階における環境条件の変化のため、依然として不安定である。 我々のシステムは上記の問題に対処するために提案されている。 提案するシステムは,(1)最先端の物体検出器と同等の精度で動作可能な小型の1段物体検出器,(2)自動運転車が状況の重大さから人為的な行動を必要とする場合に,クラウドに警告信号を送信するのに役立つ環境条件検出器の2つの主成分を含む。 実験結果から,提案するシステムの信頼性とスケーラビリティを現実的なシナリオに適用できた。

関連論文リスト

• An Anomaly Detection System Based on Generative Classifiers for Controller Area Network [7.537220883022467]
  現代の車両は様々な種類の攻撃を受けやすいため、攻撃者はコントロールを獲得し、安全クリティカルなシステムを妥協することができる。 車両へのサイバー攻撃を検出するために、いくつかの侵入検知システム(IDS)が文献で提案されている。 本稿では,自動車ネットワークにおける異常検出のための新しい生成型分類器を用いたIDSを提案する。
  論文  参考訳（メタデータ） (2024-12-28T19:59:33Z)
• Seamless Detection: Unifying Salient Object Detection and Camouflaged Object Detection [73.85890512959861]
  本稿では,SOD(Salient Object Detection)とCOD(Camouflaged Object Detection)を統合化するためのタスク非依存フレームワークを提案する。 我々は、間隔層と大域的コンテキストを含む単純で効果的なコンテキストデコーダを設計し、67fpsの推論速度を実現する。 公開SODデータセットとCODデータセットの実験は、教師なし設定と教師なし設定の両方において、提案したフレームワークの優位性を実証している。
  論文  参考訳（メタデータ） (2024-12-22T03:25:43Z)
• Run-time Introspection of 2D Object Detection in Automated Driving Systems Using Learning Representations [13.529124221397822]
  ディープニューラルネットワーク(DNN)に基づく2次元物体検出のための新しいイントロスペクションソリューションを提案する。 KITTIとBDDのデータセットで評価された1段階および2段階のオブジェクト検出器を用いて,2次元オブジェクト検出におけるエラー検出のためのSOTAイントロスペクション機構を実装した。 性能評価の結果,提案手法はSOTA法より優れており,BDDデータセットのエラー率を9%から17%まで絶対的に削減できることがわかった。
  論文  参考訳（メタデータ） (2024-03-02T10:56:14Z)
• DRUformer: Enhancing the driving scene Important object detection with driving relationship self-understanding [50.81809690183755]
  交通事故はしばしば致命傷を負い、2023年まで5000万人以上の死者を出した。 従来の研究は、主に個々の参加者の重要性を評価し、それらを独立した存在として扱うものであった。 本稿では、重要な物体検出タスクを強化するために、運転シーン関連自己理解変換器(DRUformer)を紹介する。
  論文  参考訳（メタデータ） (2023-11-11T07:26:47Z)
• DARTH: Holistic Test-time Adaptation for Multiple Object Tracking [87.72019733473562]
  複数物体追跡(MOT)は、自律運転における知覚システムの基本的構成要素である。 運転システムの安全性の追求にもかかわらず、テスト時間条件における領域シフトに対するMOT適応問題に対する解決策は提案されていない。 我々はMOTの総合的なテスト時間適応フレームワークであるDARTHを紹介する。
  論文  参考訳（メタデータ） (2023-10-03T10:10:42Z)
• Camera-Radar Perception for Autonomous Vehicles and ADAS: Concepts, Datasets and Metrics [77.34726150561087]
  本研究の目的は、ADASおよび自動運転車のカメラおよびレーダーによる認識の現在のシナリオに関する研究を行うことである。 両センサと融合に関する概念と特徴を提示する。 本稿では、ディープラーニングに基づく検出とセグメンテーションタスクの概要と、車両の認識における主要なデータセット、メトリクス、課題、オープンな質問について説明する。
  論文  参考訳（メタデータ） (2023-03-08T00:48:32Z)
• Safe Perception -- A Hierarchical Monitor Approach [0.0]
  本稿では,AIに基づく認識システムのための新しい階層的モニタリング手法を提案する。 検出ミスを確実に検出でき、同時に誤報率も極めて低い。
  論文  参考訳（メタデータ） (2022-08-01T13:09:24Z)
• 3D Object Detection for Autonomous Driving: A Comprehensive Survey [48.30753402458884]
  自動運転車の近くで重要な3Dオブジェクトの位置、サイズ、カテゴリをインテリジェントに予測する3Dオブジェクト検出は、認識システムの重要な部分である。 本稿では,自律運転における3次元物体検出技術の進歩を概観する。
  論文  参考訳（メタデータ） (2022-06-19T19:43:11Z)
• Channel Boosting Feature Ensemble for Radar-based Object Detection [6.810856082577402]
  レーダーベースの物体検出は、悪天候下でデプロイおよび使用される対応するセンサーモダリティを提供する。 提案手法の有効性をCOCO評価指標を用いて広く評価する。
  論文  参考訳（メタデータ） (2021-01-10T12:20:58Z)
• Towards robust sensing for Autonomous Vehicles: An adversarial perspective [82.83630604517249]
  結果として得られる決定が摂動に対して堅牢であることは、最も重要なことです。 敵対的摂動は、意図的に環境や感覚測定の修正を施したものである。 より安全なシステムの構築とデプロイには,センサーシステムの脆弱性を慎重に評価する必要がある。
  論文  参考訳（メタデータ） (2020-07-14T05:25:15Z)

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。