論文の概要: The Effect of Ground Truth Accuracy on the Evaluation of Localization Systems

• arxiv url: http://arxiv.org/abs/2106.13614v1
• Date: Fri, 25 Jun 2021 13:07:59 GMT
• ステータス: 処理完了
• システム内更新日: 2023-03-25 13:57:43.310403
• Title: The Effect of Ground Truth Accuracy on the Evaluation of Localization Systems
• Title（参考訳）: 局地化システム評価における地中真実の精度の影響
• Authors: Chen Gu, Ahmed Shokry, Moustafa Youssef
• Abstract要約: 本研究では,地中真理誤差が局地化システム評価に与える影響を理論的に解析する枠組みを提案する。 そこで我々は,検証誤差とマーキング・マップの真理誤差から,実際のアルゴリズム誤差を計算するための2つのアルゴリズムを設計した。 マーキング誤差アルゴリズムは実誤差CDFを4%以内でマッチングし,マップが6mずれた場合には中央値/テール誤差を150%/72%精度で推定する。
• 参考スコア（独自算出の注目度）: 6.702815463331469
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: The ability to accurately evaluate the performance of location determination systems is crucial for many applications. Typically, the performance of such systems is obtained by comparing ground truth locations with estimated locations. However, these ground truth locations are usually obtained by clicking on a map or using other worldwide available technologies like GPS. This introduces ground truth errors that are due to the marking process, map distortions, or inherent GPS inaccuracy. In this paper, we present a theoretical framework for analyzing the effect of ground truth errors on the evaluation of localization systems. Based on that, we design two algorithms for computing the real algorithmic error from the validation error and marking/map ground truth errors, respectively. We further establish bounds on different performance metrics. Validation of our theoretical assumptions and analysis using real data collected in a typical environment shows the ability of our theoretical framework to correct the estimated error of a localization algorithm in the presence of ground truth errors. Specifically, our marking error algorithm matches the real error CDF within 4%, and our map error algorithm provides a more accurate estimate of the median/tail error by 150%/72% when the map is shifted by 6m.
• Abstract（参考訳）: 位置決定システムの性能を正確に評価する能力は、多くのアプリケーションにおいて不可欠である。 通常、そのようなシステムの性能は、地上の真理位置と推定位置を比較して得られる。 しかし、これらの地上の真実の場所は通常、地図をクリックするか、GPSのような他のグローバルな技術を使って得られる。 これは、マーキングプロセス、地図歪み、または固有のGPS不正確さに起因する、地上の真実の誤りをもたらす。 本稿では,局所化システムの評価に対する基底的真理誤差の影響を分析するための理論的枠組みを提案する。 そこで本研究では,検証誤差とマーキング/マップグランド真理誤差から実アルゴリズム誤差を計算するアルゴリズムを2つ設計した。 さまざまなパフォーマンス指標の境界をさらに確立します。 典型的な環境において収集された実データを用いた理論的仮定と解析の検証は、地中真理誤差の存在下での局所化アルゴリズムの推定誤差を補正する理論的枠組みの能力を示している。 具体的には, マーキング誤差アルゴリズムは実誤差CDFと4%以内の精度で一致し, マップが6mずれた場合には, 中央値/テール誤差を150%/72%精度で推定する。

関連論文リスト

• Neural Error Covariance Estimation for Precise LiDAR Localization [1.8874331450711404]
  本稿では,LiDARマップマッチングにおける局所化誤差の共分散を予測するニューラルネットワークベースのフレームワークを提案する。 評価では,局所化精度が2cm向上し,領域が大幅に向上した。
  論文  参考訳（メタデータ） (2025-01-05T14:20:08Z)
• Topograph: An efficient Graph-Based Framework for Strictly Topology Preserving Image Segmentation [78.54656076915565]
  位相的正しさは多くの画像分割タスクにおいて重要な役割を果たす。 ほとんどのネットワークは、Diceのようなピクセル単位の損失関数を使って、トポロジカルな精度を無視して訓練されている。 トポロジ的に正確な画像セグメンテーションのための新しいグラフベースのフレームワークを提案する。
  論文  参考訳（メタデータ） (2024-11-05T16:20:14Z)
• A Coin Has Two Sides: A Novel Detector-Corrector Framework for Chinese Spelling Correction [79.52464132360618]
  中国語のSpelling Correction(CSC)は、自然言語処理(NLP)の基本課題である。 本稿では,エラー検出・相関器の枠組みに基づく新しい手法を提案する。 我々の検出器は2つのエラー検出結果を得るように設計されており、それぞれ高精度とリコールが特徴である。
  論文  参考訳（メタデータ） (2024-09-06T09:26:45Z)
• Detecting Errors in a Numerical Response via any Regression Model [21.651775224356214]
  ノイズは多くの数値データセットを悩ませ、データ中の記録された値が真の基礎となる値と一致しない可能性がある。 真の誤りと自然データゆらぎを区別する妥当性スコアを導入する。 また,実世界の数値誤差を伴う5つの回帰データセットを含む新しいエラー検出ベンチマークも提案する。
  論文  参考訳（メタデータ） (2023-05-26T02:15:26Z)
• Learnable Spatio-Temporal Map Embeddings for Deep Inertial Localization [21.300194809454077]
  本稿では,地図上のユーザ位置に関するデータ駆動型事前提案を行う。 従来の手作業で定義した手法よりも,どの地図領域がユーザにとって実現可能な場所かを,より正確にエンコードすることを学びました。
  論文  参考訳（メタデータ） (2022-11-14T18:58:21Z)
• Leveraging Unlabeled Data to Predict Out-of-Distribution Performance [63.740181251997306]
  実世界の機械学習デプロイメントは、ソース(トレーニング)とターゲット(テスト)ディストリビューションのミスマッチによって特徴づけられる。 本研究では,ラベル付きソースデータとラベルなしターゲットデータのみを用いて,対象領域の精度を予測する手法を検討する。 本稿では,モデルの信頼度をしきい値として学習し,精度をラベルなし例のごく一部として予測する実践的手法である平均閾値保持信頼度(ATC)を提案する。
  論文  参考訳（メタデータ） (2022-01-11T23:01:12Z)
• Evaluating State-of-the-Art Classification Models Against Bayes Optimality [106.50867011164584]
  正規化フローを用いて学習した生成モデルのベイズ誤差を正確に計算できることを示す。 われわれの手法を用いて、最先端の分類モデルについて徹底的な調査を行う。
  論文  参考訳（メタデータ） (2021-06-07T06:21:20Z)
• Deep Multi-Task Learning for Joint Localization, Perception, and Prediction [68.50217234419922]
  本稿では,ローカライズエラー下の最先端の自律性スタックで発生する問題について検討する。 我々は,認識,予測,局所化を共同で行うシステムの設計を行う。 本アーキテクチャでは,両タスク間の計算を再利用し,効率よくローカライズエラーを修正できる。
  論文  参考訳（メタデータ） (2021-01-17T17:20:31Z)
• Deep Learning for Earth Image Segmentation based on Imperfect Polyline Labels with Annotation Errors [12.547819302858045]
  本稿では,深層学習モデルパラメータを更新し,隠れた真のラベル位置を同時に推測するEMアルゴリズムに基づく汎用学習フレームワークを提案する。 ストリームライン改良アプリケーションにおける実世界の水文科学データセットの評価は,提案フレームワークが分類精度においてベースライン法より優れていることを示している。
  論文  参考訳（メタデータ） (2020-10-02T02:54:06Z)
• 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)
• 3D Lidar Mapping Relative Accuracy Automatic Evaluation Algorithm [7.4977759910523964]
  3Dライダーに基づくHD(High Definition)マップは、自動運転車のローカライゼーション、計画、意思決定、知覚などにおいて重要な役割を果たす。 SLAMに関連する多くの3次元ライダーマッピング技術は、高い精度を確保するためにHDマップ構築に使用されている。 3次元ライダーマッピングの精度を評価するため、最も一般的な手法はポーズの基底真理を用いて推定されたポーズと基底真理の誤差を計算する。 本稿では,3次元ライダーマッピングで構築したHDマップの精度を自動的に評価する相対的精度評価アルゴリズムを提案する。
  論文  参考訳（メタデータ） (2020-06-01T11:30:31Z)

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。