論文の概要: Open-World Active Learning with Stacking Ensemble for Self-Driving Cars
- arxiv url: http://arxiv.org/abs/2109.06628v1
- Date: Fri, 10 Sep 2021 19:06:37 GMT
- ステータス: 処理完了
- システム内更新日: 2021-09-18 22:49:48.935359
- Title: Open-World Active Learning with Stacking Ensemble for Self-Driving Cars
- Title（参考訳）: 自動運転車のためのスタックアンサンブルによるオープンワールドアクティブラーニング
- Authors: Paulo R. Vieira, Pedro D. F\'elix, Luis Macedo
- Abstract要約: 本稿では,車の前に現れる可能性のあるすべての既知のエンティティを識別するだけでなく,未知のオブジェクトのクラスを検出して学習するアルゴリズムを提案する。
我々のアプローチはDOCアルゴリズムとQuery-by-Committeeアルゴリズムに依存している。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: The environments, in which autonomous cars act, are high-risky, dynamic, and
full of uncertainty, demanding a continuous update of their sensory information
and knowledge bases. The frequency of facing an unknown object is too high
making hard the usage of Artificial Intelligence (AI) classical classification
models that usually rely on the close-world assumption. This problem of
classifying objects in this domain is better faced with and open-world AI
approach. We propose an algorithm to identify not only all the known entities
that may appear in front of the car, but also to detect and learn the classes
of those unknown objects that may be rare to stand on an highway (e.g., a lost
box from a truck). Our approach relies on the DOC algorithm from Lei Shu et.
al. as well as on the Query-by-Committee algorithm.
- Abstract（参考訳）: 自動運転車の動作する環境は、高度でダイナミックで不確実性に満ちており、感覚情報や知識ベースを継続的に更新する必要がある。
未知の物体に直面する頻度は高すぎるため、通常、近世界の仮定に依存する人工知能(AI)古典的な分類モデルの使用は困難である。
この領域でオブジェクトを分類するこの問題は、オープンワールドのAIアプローチに向いている。
自動車の前に現れる可能性のある既知のすべてのエンティティを識別するだけでなく、高速道路(トラックから失ったボックスなど)に立つことが稀な、未知のオブジェクトのクラスを検知し、学習するアルゴリズムを提案する。
我々のアプローチはLei ShuらのDOCアルゴリズムに依存している。
Query-by-Committeeアルゴリズムも同様です。
関連論文リスト
- Robustness Verification for Knowledge-Based Logic of Risky Driving
Scenes [8.388107085036571]
Data.govから72の事故データセットを収集し、それらを州別に整理します。
我々は、各州のデータセット上で決定木とXGBoostモデルをトレーニングし、事故判定ロジックを導出する。
論文 参考訳（メタデータ） (2023-12-27T00:13:51Z) - Curiosity-Driven Reinforcement Learning based Low-Level Flight Control [95.42181254494287]
本研究では,オドメトリデータから適切な運動速度を生成することにより,自律学習のための好奇心の駆動に基づくアルゴリズムを提案する。
探索パターンの進化における好奇心の効果を可視化したアルゴリズムとアルゴリズムを用いて、オン・ポリティ、オフ・ポリティ、オン・ポリティ、オン・ポリティと好奇心を用いたテストを実行した。
論文 参考訳（メタデータ） (2023-07-28T11:46:28Z) - Using Collision Momentum in Deep Reinforcement Learning Based
Adversarial Pedestrian Modeling [0.0]
本稿では,衝突を対象とする強化学習アルゴリズムを提案する。
我々のアルゴリズムは効率的で、より厳しい衝突を発生し、複雑で多様なシナリオにおける自律運転アルゴリズムの弱点の同定と修正を可能にする。
論文 参考訳（メタデータ） (2023-06-13T03:38:05Z) - SalienDet: A Saliency-based Feature Enhancement Algorithm for Object
Detection for Autonomous Driving [160.57870373052577]
未知の物体を検出するために,サリエンデット法(SalienDet)を提案する。
我々のSaienDetは、オブジェクトの提案生成のための画像機能を強化するために、サリエンシに基づくアルゴリズムを利用している。
オープンワールド検出を実現するためのトレーニングサンプルセットにおいて、未知のオブジェクトをすべてのオブジェクトと区別するためのデータセットレザベリングアプローチを設計する。
論文 参考訳（メタデータ） (2023-05-11T16:19:44Z) - Detecting the open-world objects with the help of the Brain [20.00772846521719]
Open World Object Detection (OWOD) は、新しいコンピュータビジョンタスクである。
OWODアルゴリズムは、目に見えない、未知のオブジェクトを検出し、それを漸進的に学習することが期待されている。
我々は、未知のラベルを単に生成することで、VLをオープンワールド検出器のBrain'として活用することを提案する。
論文 参考訳（メタデータ） (2023-03-21T06:44:02Z) - 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) - Open-Set Automatic Target Recognition [52.27048031302509]
オートマチックターゲット認識(Automatic Target Recognition、ATR)は、異なるセンサーから取得したデータに基づいてターゲットを認識しようとするコンピュータビジョンアルゴリズムのカテゴリである。
既存のATRアルゴリズムは、トレーニングとテストが同じクラス分布を持つ従来のクローズドセット手法向けに開発されている。
ATRアルゴリズムのオープンセット認識機能を実現するためのオープンセット自動ターゲット認識フレームワークを提案する。
論文 参考訳（メタデータ） (2022-11-10T21:28:24Z) - Multimodal Detection of Unknown Objects on Roads for Autonomous Driving [4.3310896118860445]
未知の物体を検出する新しいパイプラインを提案する。
我々は,最先端の美術品検出モデルを逐次的に組み合わせることで,ライダーとカメラのデータを利用する。
論文 参考訳（メタデータ） (2022-05-03T10:58:41Z) - Open-set Recognition based on the Combination of Deep Learning and
Ensemble Method for Detecting Unknown Traffic Scenarios [0.9711326718689492]
本研究では、Convolutional Neural Networks(CNN)とRandom Forest(RF)を組み合わせて、交通シナリオのオープンセット認識を提案する。
RFのアンサンブルの性質を継承することにより、極値理論と組み合わされた全ての木の投票パターンが未知のクラスを検出するのに適していることが示される。
論文 参考訳（メタデータ） (2021-05-17T06:48:15Z) - Towards Open World Object Detection [68.79678648726416]
ORE: Open World Object Detectorは、対照的なクラスタリングとエネルギーベースの未知の識別に基づいている。
未知のインスタンスの識別と特徴付けは、インクリメンタルなオブジェクト検出設定における混乱を減らすのに役立ちます。
論文 参考訳（メタデータ） (2021-03-03T18:58:18Z) - AutoML-Zero: Evolving Machine Learning Algorithms From Scratch [76.83052807776276]
基本数学的操作をビルディングブロックとして使うだけで,完全な機械学習アルゴリズムを自動的に発見できることが示される。
汎用的な検索空間を通じて人間のバイアスを大幅に低減する新しいフレームワークを導入することでこれを実証する。
機械学習アルゴリズムをゼロから発見する上で、これらの予備的な成功は、この分野における有望な新しい方向性を示していると信じている。
論文 参考訳（メタデータ） (2020-03-06T19:00:04Z)
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。