論文の概要: See Yourself in Others: Attending Multiple Tasks for Own Failure Detection

• arxiv url: http://arxiv.org/abs/2110.02549v1
• Date: Wed, 6 Oct 2021 07:42:57 GMT
• ステータス: 処理完了
• システム内更新日: 2021-10-07 14:15:44.510070
• Title: See Yourself in Others: Attending Multiple Tasks for Own Failure Detection
• Title（参考訳）: 自分自身の障害検出のために複数のタスクに参加すること
• Authors: Boyang Sun, Jiaxu Xing, Hermann Blum, Roland Siegwart, Cesar Cadena
• Abstract要約: 複数のタスク間の相関を利用して注意に基づく障害検出手法を提案する。 提案フレームワークは、画像内の複数の領域に対する複数の視覚的知覚タスクに対して、個々の予測を評価することでタスクの失敗を推測する。 提案手法は,タスクの予測に対する予測誤差をより正確に推定する。
• 参考スコア（独自算出の注目度）: 28.787334666116518
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Autonomous robots deal with unexpected scenarios in real environments. Given input images, various visual perception tasks can be performed, e.g., semantic segmentation, depth estimation and normal estimation. These different tasks provide rich information for the whole robotic perception system. All tasks have their own characteristics while sharing some latent correlations. However, some of the task predictions may suffer from the unreliability dealing with complex scenes and anomalies. We propose an attention-based failure detection approach by exploiting the correlations among multiple tasks. The proposed framework infers task failures by evaluating the individual prediction, across multiple visual perception tasks for different regions in an image. The formulation of the evaluations is based on an attention network supervised by multi-task uncertainty estimation and their corresponding prediction errors. Our proposed framework generates more accurate estimations of the prediction error for the different task's predictions.
• Abstract（参考訳）: 自律ロボットは、現実の環境で予期せぬシナリオを扱う。 入力画像が与えられた場合、意味セグメンテーション、深さ推定、正規推定など、様々な視覚知覚タスクを行うことができる。 これらの異なるタスクは、ロボット認識システム全体に豊富な情報を提供する。 すべてのタスクは、潜在的な相関を共有しながら、それぞれ独自の特性を持つ。 しかし、タスク予測の一部は、複雑なシーンや異常を扱う信頼性の欠如に悩まされている。 複数のタスク間の相関を利用して注意に基づく障害検出手法を提案する。 提案手法は,画像内の異なる領域に対する複数の視覚知覚タスク間の個人予測を評価することにより,タスク失敗を推定する。 評価の定式化は,マルチタスク不確実性推定による注意ネットワークとその予測誤差に基づいている。 提案手法は,異なるタスクの予測に対する予測誤差をより正確に推定する。

関連論文リスト

• About Time: Advances, Challenges, and Outlooks of Action Understanding [57.76390141287026]
  この調査は、様々なタスクにおけるユニモーダルおよびマルチモーダルな行動理解の進歩を包括的にレビューする。 我々は,現在普及している課題,広く採用されているデータセットの概要,そして最近の進歩を重視したセミナー作品の調査に焦点をあてる。
  論文  参考訳（メタデータ） (2024-11-22T18:09:27Z)
• Benchmarking Uncertainty Disentanglement: Specialized Uncertainties for Specialized Tasks [19.945932368701722]
  本稿では,ImageNet上の様々なタスクにおける多数の不確実性推定器の包括的評価を行う。 我々は,有望な理論的努力にもかかわらず,実際に解離が達成されていないことを発見した。 特定のタスクをどの不確実性推定器で実行し、実践者に洞察を与えるかを明らかにする。
  論文  参考訳（メタデータ） (2024-02-29T18:52:56Z)
• A Dynamic Feature Interaction Framework for Multi-task Visual Perception [100.98434079696268]
  複数の共通認識課題を解決するための効率的な統合フレームワークを考案する。 これらのタスクには、インスタンスセグメンテーション、セマンティックセグメンテーション、モノクル3D検出、深さ推定が含まれる。 提案するフレームワークはD2BNetと呼ばれ,マルチタスク認識のためのパラメータ効率予測に一意なアプローチを示す。
  論文  参考訳（メタデータ） (2023-06-08T09:24:46Z)
• Leveraging sparse and shared feature activations for disentangled representation learning [112.22699167017471]
  本稿では,教師付きタスクの多種多様な集合から抽出した知識を活用し,共通不整合表現を学習することを提案する。 我々は6つの実世界分布シフトベンチマークと異なるデータモダリティに対するアプローチを検証する。
  論文  参考訳（メタデータ） (2023-04-17T01:33:24Z)
• Task Formulation Matters When Learning Continually: A Case Study in Visual Question Answering [58.82325933356066]
  継続的な学習は、以前の知識を忘れずに、一連のタスクでモデルを漸進的にトレーニングすることを目的としている。 本稿では,視覚的質問応答において,異なる設定がパフォーマンスに与える影響について詳細に検討する。
  論文  参考訳（メタデータ） (2022-09-30T19:12:58Z)
• Detecting Adversarial Perturbations in Multi-Task Perception [32.9951531295576]
  本稿では,複雑な視覚タスクのマルチタスク認識に基づく,新たな対向摂動検出手法を提案する。 入力画像の抽出されたエッジと深度出力とセグメンテーション出力との不整合により、逆摂動を検出する。 5%の偽陽性率を仮定すると、画像の最大100%は逆摂動として正しく検出され、摂動の強さに依存する。
  論文  参考訳（メタデータ） (2022-03-02T15:25:17Z)
• Self-Supervision by Prediction for Object Discovery in Videos [62.87145010885044]
  本稿では,この予測タスクを自己監督として利用し,画像シーケンス表現のための新しいオブジェクト中心モデルを構築する。 私たちのフレームワークは、手動アノテーションや事前トレーニングされたネットワークを使わずにトレーニングできます。 最初の実験では、提案されたパイプラインがオブジェクト中心のビデオ予測への有望なステップであることを確認した。
  論文  参考訳（メタデータ） (2021-03-09T19:14:33Z)
• A Bayesian Evaluation Framework for Subjectively Annotated Visual Recognition Tasks [0.0]
  予測器の内部構造から生じる不確実性を評価するための枠組みを提案する。 この枠組みは、主観的人間の判断を用いた4つの画像分類タスクにうまく適用されている。
  論文  参考訳（メタデータ） (2020-06-20T18:35:33Z)
• Robust Learning Through Cross-Task Consistency [92.42534246652062]
  クロスタスク整合性を用いた学習向上のための,広く適用可能な完全計算手法を提案する。 クロスタスク一貫性による学習は,より正確な予測と,アウト・オブ・ディストリビューション・インプットの一般化につながることを観察する。
  論文  参考訳（メタデータ） (2020-06-07T09:24:33Z)

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。