論文の概要: Improving Uncertainty of Deep Learning-based Object Classification on Radar Spectra using Label Smoothing

• arxiv url: http://arxiv.org/abs/2109.12851v1
• Date: Mon, 27 Sep 2021 07:49:38 GMT
• ステータス: 処理完了
• システム内更新日: 2021-09-28 15:09:58.355936
• Title: Improving Uncertainty of Deep Learning-based Object Classification on Radar Spectra using Label Smoothing
• Title（参考訳）: ラベル平滑化を用いたレーダースペクトルを用いた深層学習対象分類の不確かさの改善
• Authors: Kanil Patel, William Beluch, Kilian Rambach, Michael Pfeiffer, Bin Yang
• Abstract要約: 我々は、訓練中にラベルスムーシングを用いて、堅牢なリアルタイム不確実性推定を提供するディープレーダスペクトル分類器を学習する。 本稿では、レーダ固有のノウハウを利用してソフトラベルを定義し、分類器が高品質の不確実性推定を出力することを奨励する。 我々の研究は、単純なレーダー知識と複雑なデータ駆動学習アルゴリズムを組み合わせることで、安全な自動車レーダ認識を実現する方法を示している。
• 参考スコア（独自算出の注目度）: 9.438141018800636
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Object type classification for automotive radar has greatly improved with recent deep learning (DL) solutions, however these developments have mostly focused on the classification accuracy. Before employing DL solutions in safety-critical applications, such as automated driving, an indispensable prerequisite is the accurate quantification of the classifiers' reliability. Unfortunately, DL classifiers are characterized as black-box systems which output severely over-confident predictions, leading downstream decision-making systems to false conclusions with possibly catastrophic consequences. We find that deep radar classifiers maintain high-confidences for ambiguous, difficult samples, e.g. small objects measured at large distances, under domain shift and signal corruptions, regardless of the correctness of the predictions. The focus of this article is to learn deep radar spectra classifiers which offer robust real-time uncertainty estimates using label smoothing during training. Label smoothing is a technique of refining, or softening, the hard labels typically available in classification datasets. In this article, we exploit radar-specific know-how to define soft labels which encourage the classifiers to learn to output high-quality calibrated uncertainty estimates, thereby partially resolving the problem of over-confidence. Our investigations show how simple radar knowledge can easily be combined with complex data-driven learning algorithms to yield safe automotive radar perception.
• Abstract（参考訳）: 最近のディープラーニング(DL)ソリューションでは,自動車レーダのオブジェクトタイプ分類が大幅に改善されているが,これらの開発は主に分類精度に重点を置いている。 自動運転のような安全クリティカルなアプリケーションにDLソリューションを採用する前に、必要不可欠な前提条件は分類器の信頼性の正確な定量化である。 残念なことに、DL分類器はブラックボックスシステムとして特徴付けられており、非常に過信な予測を出力し、下流の意思決定システムは破滅的な結果をもたらす可能性がある。 深層レーダー分類器は, 予測の正確性に関わらず, 遠距離, 領域シフト, 信号の破損など, 不明瞭で困難な試料に対して高い信頼を保っていることがわかった。 本稿は,ラベル平滑化を用いたロバストなリアルタイム不確実性推定を提供する,深いレーダースペクトル分類器の学習を目的とする。 ラベルスムーシング(英: Label smoothing)は、分類データセットで一般的に利用できるハードラベルを精錬する技法である。 本稿では,レーダー固有のノウハウを用いてソフトラベルを定義し,分類器が高品位な校正不確実性推定値を出力することを促すことにより,過信問題を部分的に解決する。 本研究では,単純なレーダ知識と複雑なデータ駆動学習アルゴリズムを組み合わせることで,自動車レーダを安全に認識できることを示す。

関連論文リスト

• Collaborative Feature-Logits Contrastive Learning for Open-Set Semi-Supervised Object Detection [75.02249869573994]
  オープンセットのシナリオでは、ラベルなしデータセットには、イン・ディストリビューション(ID)クラスとアウト・オブ・ディストリビューション(OOD)クラスの両方が含まれている。 このような設定で半教師付き検出器を適用すると、OODクラスをIDクラスとして誤分類する可能性がある。 我々は、CFL-Detector(Collaborative Feature-Logits Detector)と呼ばれるシンプルで効果的な方法を提案する。
  論文  参考訳（メタデータ） (2024-11-20T02:57:35Z)
• Credible Teacher for Semi-Supervised Object Detection in Open Scene [106.25850299007674]
  Open Scene Semi-Supervised Object Detection (O-SSOD)では、ラベル付きデータはラベル付きデータで観測されていない未知のオブジェクトを含む可能性がある。 より不確実性が、偽ラベルのローカライズと分類精度の低下につながるため、主に自己学習に依存する現在の手法には有害である。 我々は,不確実な擬似ラベルがモデルに誤解をもたらすのを防ぐための,エンドツーエンドのフレームワークであるCredible Teacherを提案する。
  論文  参考訳（メタデータ） (2024-01-01T08:19:21Z)
• XAL: EXplainable Active Learning Makes Classifiers Better Low-resource Learners [71.8257151788923]
  低リソーステキスト分類のための新しい説明可能なアクティブラーニングフレームワーク(XAL)を提案する。 XALは分類器に対して、推論を正当化し、合理的な説明ができないラベルのないデータを掘り下げることを推奨している。 6つのデータセットの実験では、XALは9つの強いベースラインに対して一貫した改善を達成している。
  論文  参考訳（メタデータ） (2023-10-09T08:07:04Z)
• Unsupervised Domain Adaptation for Self-Driving from Past Traversal Features [69.47588461101925]
  本研究では,新しい運転環境に3次元物体検出器を適応させる手法を提案する。 提案手法は,空間的量子化履歴特徴を用いたLiDARに基づく検出モデルを強化する。 実世界のデータセットの実験では、大幅な改善が示されている。
  論文  参考訳（メタデータ） (2023-09-21T15:00:31Z)
• GLENet: Boosting 3D Object Detectors with Generative Label Uncertainty Estimation [70.75100533512021]
  本稿では,対象物の潜在的可算有界箱の多様性として,ラベルの不確実性問題を定式化する。 本稿では,条件付き変分オートエンコーダを応用した生成フレームワークであるGLENetを提案する。 GLENetが生成するラベルの不確実性はプラグアンドプレイモジュールであり、既存のディープ3D検出器に便利に統合することができる。
  論文  参考訳（メタデータ） (2022-07-06T06:26:17Z)
• Contrastive Learning for Automotive mmWave Radar Detection Points Based Instance Segmentation [9.491866334097114]
  本稿では,レーダ検出点に基づくインスタンスセグメント化を実現するための対照的な学習手法を提案する。 提案手法では, 正・負のサンプルを接地トラストラベルに従って定義し, 対照的な損失を適用してまずモデルのトレーニングを行い, 次に掲げる下流タスクのトレーニングを行う。 実験の結果, 地中真実情報が5%のトレーニングデータでのみ利用可能である場合, 提案手法は, 教師付き手法と同等の性能を示し, 100%の地中真実情報が得られる。
  論文  参考訳（メタデータ） (2022-03-13T03:00:34Z)
• Unsupervised Domain Adaptation across FMCW Radar Configurations Using Margin Disparity Discrepancy [17.464353263281907]
  本研究では、ディープラーニングの人間活動分類の文脈において、レーダー構成にまたがる非教師なし領域適応の問題を考える。 我々は、コンピュータビジョンの分野ですでに成功している、Margin Disparity Discrepancyの理論に触発されたテクニックに焦点を当てた。 我々の実験は、この手法をレーダーデータに拡張し、同じ分類問題に対する少数ショット教師付きアプローチに匹敵する精度を達成した。
  論文  参考訳（メタデータ） (2022-03-09T09:11:06Z)
• DeepHybrid: Deep Learning on Automotive Radar Spectra and Reflections for Object Classification [0.5669790037378094]
  本稿では,従来のレーダ信号処理とディープラーニングアルゴリズムを組み合わせた手法を提案する。 提案手法は, 自動緊急ブレーキや衝突回避システムの改善などに用いることができる。
  論文  参考訳（メタデータ） (2022-02-17T08:45:11Z)
• Unsupervised Learning Architecture for Classifying the Transient Noise of Interferometric Gravitational-wave Detectors [2.8555963243398073]
  非定常・非ガウス的特徴を持つ過渡雑音は高い速度で発生する。 過渡雑音の分類は、その起源を探索し、検出器の性能を向上させる手がかりを与えることができる。 本研究では,過渡雑音の分類のための教師なし学習アーキテクチャを提案する。
  論文  参考訳（メタデータ） (2021-11-19T05:37:06Z)
• Towards Reducing Labeling Cost in Deep Object Detection [61.010693873330446]
  本稿では,検知器の不確実性と頑健性の両方を考慮した,アクティブラーニングのための統一的なフレームワークを提案する。 提案手法は, 確率分布のドリフトを抑えながら, 極めて確実な予測を擬似ラベル化することができる。
  論文  参考訳（メタデータ） (2021-06-22T16:53:09Z)
• Investigation of Uncertainty of Deep Learning-based Object Classification on Radar Spectra [8.797293761152604]
  ディープラーニング(DL)は、自動車レーダのオブジェクトタイプ分類を改善することへの関心が高まっている。 現在のDL研究は、予測の不確実性を定量化する方法について研究している。 本稿では,これらの手法が安全で自動車のレーダ認識に有効であることを示す。
  論文  参考訳（メタデータ） (2021-06-01T09:50:19Z)

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。