Fugu-MT 論文翻訳(概要): Safety Metrics for Semantic Segmentation in Autonomous Driving

論文の概要: Safety Metrics for Semantic Segmentation in Autonomous Driving

arxiv url: http://arxiv.org/abs/2105.10142v1
Date: Fri, 21 May 2021 05:59:49 GMT
ステータス: 処理完了
システム内更新日: 2021-05-25 03:32:18.753670
Title: Safety Metrics for Semantic Segmentation in Autonomous Driving
Title（参考訳）: 自動運転におけるセマンティックセグメンテーションの安全基準
Authors: Chih-Hong Cheng, Alois Knoll, Hsuan-Cheng Liao
Abstract要約: 本稿では,セマンティックセグメンテーションに特化した安全意識の正確性とロバスト性指標について考察する。我々の提案の斬新さは、ピクセルレベルのメトリクスを超えていくことである。 Nピクセルがクラスフルプされた2つのイメージが与えられた場合、設計されたメトリクスは、異なるレベルの安全性臨界を反映すべきである。自律運転データセットを用いて評価した結果,提案手法の有効性と実用性を示した。
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: Within the context of autonomous driving, safety-related metrics for deep neural networks have been widely studied for image classification and object detection. In this paper, we further consider safety-aware correctness and robustness metrics specialized for semantic segmentation. The novelty of our proposal is to move beyond pixel-level metrics: Given two images with each having N pixels being class-flipped, the designed metrics should, depending on the clustering of pixels being class-flipped or the location of occurrence, reflect a different level of safety criticality. The result evaluated on an autonomous driving dataset demonstrates the validity and practicality of our proposed methodology.
Abstract（参考訳）: 自律運転の文脈において、ディープニューラルネットワークの安全性関連メトリクスは画像分類と物体検出のために広く研究されている。本稿では,セマンティックセグメンテーションに特化した安全性とロバスト性指標について検討する。 n個の画素がクラスflippedである2つのイメージが与えられた場合、設計されたメトリクスは、クラスflippedであるピクセルのクラスタリングや発生場所によって、異なるレベルの安全性クリティカル性を反映しているはずです。自律運転データセットを用いて評価した結果,提案手法の有効性と実用性を示した。

関連論文リスト

Segmentation Re-thinking Uncertainty Estimation Metrics for Semantic Segmentation [12.532289778772185]
セマンティックセグメンテーションは機械学習の基本的な応用である。画像セグメンテーションタスクにおけるエントロピーに基づく不確実性を評価するための特殊なツールとしてPAvPU(パッチ精度対パッチ不確実性)が開発された。本研究は,PAvPUフレームワークの中核となる3つの欠陥を同定し,ロバストな解を提案する。
論文参考訳（メタデータ） (2024-03-28T20:34:02Z)
Pixel-Level Clustering Network for Unsupervised Image Segmentation [3.69853388955692]
画像の領域分割のためのピクセルレベルのクラスタリングフレームワークを,地上の真理アノテーションを使わずに提案する。また、各スーパーピクセル間の一貫性、隣接するスーパーピクセル間の相似性/相似性、画像間の構造的類似性を利用したトレーニング戦略を提案する。
論文参考訳（メタデータ） (2023-10-24T23:06:29Z)
Introspective Deep Metric Learning [91.47907685364036]
本稿では,不確実性を考慮した画像比較のためのイントロスペクティブな深度学習フレームワークを提案する。提案するIDMLフレームワークは,不確実性モデリングによるディープメトリック学習の性能を向上させる。
論文参考訳（メタデータ） (2023-09-11T16:21:13Z)
NP-SemiSeg: When Neural Processes meet Semi-Supervised Semantic Segmentation [87.50830107535533]
半教師付きセマンティックセグメンテーションでは、トレーニング時にピクセルワイズラベルをラベル付けされていない画像に割り当てる。モデルによるクラスワイズ確率分布から各画素の擬似ラベルを予測し,半教師付きセマンティックセマンティックセマンティクスへのアプローチ本研究では,NPを半教師付きセマンティックセグメンテーションに適応させることにより一歩前進し,NP-SemiSegと呼ばれる新しいモデルを実現する。
論文参考訳（メタデータ） (2023-08-05T12:42:15Z)
Instance Segmentation with Cross-Modal Consistency [13.524441194366544]
本稿では,複数センサモードの測定を協調的に活用するインスタンスセグメンテーションへの新しいアプローチを提案する。本手法は, センサ・モダリティと時間領域の両面において, 現場の点に対してコントラスト学習を適用した。この定式化は、視点の変化に不変な埋め込みを学ぶことをモデルに促すことを実証する。
論文参考訳（メタデータ） (2022-10-14T21:17:19Z)
Introspective Deep Metric Learning for Image Retrieval [80.29866561553483]
良好な類似性モデルは、より堅牢なトレーニングのために曖昧なイメージをよりよく扱うように注意しながら、意味的な相違を考慮すべきである、と我々は主張する。本稿では,画像の意味的特徴とあいまいさを記述した,意味的埋め込みだけでなく,付随する不確実性埋め込みを用いて画像を表現することを提案する。提案したIDMLフレームワークは,不確実性モデリングによるディープメトリック学習の性能向上を実現し,広く使用されているCUB-200-2011,Cars196,Stanford Online Productsデータセットの最先端結果を得る。
論文参考訳（メタデータ） (2022-05-09T17:51:44Z)
Uncertainty Aware Proposal Segmentation for Unknown Object Detection [13.249453757295083]
本稿では,セマンティックセグメンテーションモデルのさらなる予測と信頼性の定量化を提案する。本研究では,地域提案ネットワーク(RPN)が生成するオブジェクト提案を用いて,セマンティックセグメンテーションの精度評価を行う。拡張オブジェクトの提案は、未知のオブジェクトカテゴリと未知のオブジェクトカテゴリの分類器をトレーニングするために使用される。
論文参考訳（メタデータ） (2021-11-25T01:53:05Z)
Learning Uncertainty For Safety-Oriented Semantic Segmentation In Autonomous Driving [77.39239190539871]
自律運転における安全クリティカル画像セグメンテーションを実現するために、不確実性推定をどのように活用できるかを示す。相似性関数によって測定された不一致予測に基づく新しい不確実性尺度を導入する。本研究では,提案手法が競合手法よりも推論時間において計算集約性が低いことを示す。
論文参考訳（メタデータ） (2021-05-28T09:23:05Z)
SegmentMeIfYouCan: A Benchmark for Anomaly Segmentation [111.61261419566908]
ディープニューラルネットワーク(DNN)は通常、閉集合のセマンティッククラスで訓練される。未発見のオブジェクトを扱うには不備だ。このような物体の検出と局在化は、自動運転の認識などの安全クリティカルなアプリケーションに不可欠です。
論文参考訳（メタデータ） (2021-04-30T07:58:19Z)
Self-supervised Segmentation via Background Inpainting [96.10971980098196]
移動可能なカメラで撮影された単一の画像で、自己教師付き検出とセグメンテーションのアプローチを導入する。我々は、提案に基づくセグメンテーションネットワークのトレーニングに利用する自己教師付き損失関数を利用する。本手法は,標準ベンチマークから視覚的に切り離された画像の人間の検出とセグメント化に応用し,既存の自己監督手法より優れていることを示す。
論文参考訳（メタデータ） (2020-11-11T08:34:40Z)

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。