論文の概要: Label-Aware Ranked Loss for robust People Counting using Automotive in-cabin Radar

• arxiv url: http://arxiv.org/abs/2110.05876v1
• Date: Tue, 12 Oct 2021 10:31:09 GMT
• ステータス: 処理完了
• システム内更新日: 2021-10-13 21:24:49.054455
• Title: Label-Aware Ranked Loss for robust People Counting using Automotive in-cabin Radar
• Title（参考訳）: 自動車内レーダを用いたロバストな人物のラベル付きランク付き損失
• Authors: Lorenzo Servadei, Huawei Sun, Julius Ott, Michael Stephan, Souvik Hazra, Thomas Stadelmayer, Daniela Sanchez Lopera, Robert Wille, Avik Santra
• Abstract要約: 本稿では,新しい距離損失関数であるラベル・アウェア・ランク付き損失について紹介する。 最先端のDeep Metric Learning損失と比較して、この関数は回帰問題におけるラベルのランク付けの利点を生かしている。 埋め込み空間において,ラベルの異なるデータポイントが互いに均一な角度でランク付けされ,配置される場合,損失が最小となることを示す。
• 参考スコア（独自算出の注目度）: 2.541608899240058
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: In this paper, we introduce the Label-Aware Ranked loss, a novel metric loss function. Compared to the state-of-the-art Deep Metric Learning losses, this function takes advantage of the ranked ordering of the labels in regression problems. To this end, we first show that the loss minimises when datapoints of different labels are ranked and laid at uniform angles between each other in the embedding space. Then, to measure its performance, we apply the proposed loss on a regression task of people counting with a short-range radar in a challenging scenario, namely a vehicle cabin. The introduced approach improves the accuracy as well as the neighboring labels accuracy up to 83.0% and 99.9%: An increase of 6.7%and 2.1% on state-of-the-art methods, respectively.
• Abstract（参考訳）: 本稿では,新しいメトリクス損失関数であるラベル認識ランク付き損失について紹介する。 最先端のDeep Metric Learning損失と比較して、この関数は回帰問題におけるラベルのランク付けを生かしている。 そこで,本研究では,ラベルの異なるデータポイントを組込み空間において,互いに一様な角度でランク付けして配置する場合,損失が最小となることを示す。 そして,その性能を計測するために,近距離レーダを用いた回帰作業,すなわち車両キャビンにおける回帰作業において,提案する損失を応用する。 提案されたアプローチでは精度が向上し、近隣のラベルの精度は83.0%と99.9%に向上した。

関連論文リスト

• Reliable Student: Addressing Noise in Semi-Supervised 3D Object Detection [3.6035734305775518]
  半教師付き3Dオブジェクト検出は、ラベル付きデータに制限がある場合に、有望な擬似ラベル手法の恩恵を受けることができる。 最近のアプローチでは、トレーニング中のノイズの多い擬似ラベルの影響を見落としている。 本稿では,2つの相補的手法を取り入れた信頼性学習フレームワークを提案する。
  論文  参考訳（メタデータ） (2024-04-27T13:38:45Z)
• Theoretically Grounded Loss Functions and Algorithms for Score-Based Multi-Class Abstention [30.389055604165222]
  禁断損失関数に対する代用損失の新たなファミリーを導入する。 我々はこれらのサロゲート損失に対して、非漸近的で仮説固有の一貫性を保証する。 以上の結果から,最新のスコアベースサロゲート損失の相対的性能はデータセットによって異なる可能性が示唆された。
  論文  参考訳（メタデータ） (2023-10-23T10:13:35Z)
• Partial-Label Regression [54.74984751371617]
  部分ラベル学習は、弱い教師付き学習環境であり、各トレーニング例に候補ラベルのセットをアノテートすることができる。 部分ラベル学習に関する従来の研究は、候補ラベルがすべて離散的な分類設定のみに焦点を当てていた。 本稿では,各トレーニング例に実値付き候補ラベルのセットをアノテートした部分ラベル回帰を初めて検討する。
  論文  参考訳（メタデータ） (2023-06-15T09:02:24Z)
• An approach to improving sound-based vehicle speed estimation [0.0]
  本稿では,最近提案された音速推定法の性能改善について検討する。 この方法はVS10データセットでテストされ、10台の異なる車両の304のオーディオビデオが記録されている。
  論文  参考訳（メタデータ） (2022-04-08T12:58:35Z)
• A Unified Prediction Framework for Signal Maps [0.0]
  我々は、限られた測定値から細胞信号マップを予測するための統一的なフレームワークを開発する。 我々は、全ての測定が特定の予測タスクに等しく重要であるわけではないという事実に対処する3つのメカニズムを組み合わせる。 いくつかの実世界のデータセットを用いて,提案手法を評価し,予測性能を著しく向上させた。
  論文  参考訳（メタデータ） (2022-02-08T06:52:50Z)
• Do We Need to Penalize Variance of Losses for Learning with Label Noise? [91.38888889609002]
  ノイズラベルを用いた学習では,差分を増大させる必要がある。 ラベルノイズ遷移行列を利用することで、正規化器は損失の分散を低減することができる。 実験的に,損失の分散を増大させることにより,合成データセットと実世界のデータセットのベースラインの一般化能力を大幅に向上させる。
  論文  参考訳（メタデータ） (2022-01-30T06:19:08Z)
• Label Distributionally Robust Losses for Multi-class Classification: Consistency, Robustness and Adaptivity [55.29408396918968]
  多クラス分類のためのラベル分布ロバスト(LDR)損失という損失関数群について検討した。 我々の貢献は、多クラス分類のためのLDR損失のトップ$kの一貫性を確立することによって、一貫性と堅牢性の両方を含んでいる。 本稿では,各インスタンスのクラスラベルの雑音度に個別化温度パラメータを自動的に適応させる適応型LDR損失を提案する。
  論文  参考訳（メタデータ） (2021-12-30T00:27:30Z)
• RankingMatch: Delving into Semi-Supervised Learning with Consistency Regularization and Ranking Loss [3.5893231087319655]
  ラベル付きデータに制限がある場合、ラベル付きデータを活用する上で、半教師付き学習(SSL)が重要な役割を果たす。 そこで我々は,摂動入力だけでなく,同じラベルを持つ入力間の類似性も考慮する新しい手法である RankingMatch を提案する。 当社の RankingMatch は,さまざまなラベル付きデータ量を持つ標準SSLベンチマークにおいて,最先端のパフォーマンスを実現しています。
  論文  参考訳（メタデータ） (2021-10-09T01:54:29Z)
• 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)
• Rethinking Pseudo Labels for Semi-Supervised Object Detection [84.697097472401]
  物体検出に適した確実な擬似ラベルを導入する。 我々は,クラス不均衡問題を緩和するために,各カテゴリの擬似ラベルと再重み付き損失関数を生成するために使用する閾値を動的に調整する。 提案手法では,COCOのラベル付きデータのみを用いて,教師付きベースラインを最大10%改善する。
  論文  参考訳（メタデータ） (2021-06-01T01:32:03Z)
• 3DIoUMatch: Leveraging IoU Prediction for Semi-Supervised 3D Object Detection [76.42897462051067]
  3DIoUMatchは屋内および屋外の場面両方に適当3D目的の検出のための新しい半監視された方法です。 教師と教師の相互学習の枠組みを活用し,ラベル付けされていない列車の情報を擬似ラベルの形で伝達する。 本手法は,ScanNetとSUN-RGBDのベンチマークにおける最先端の手法を,全てのラベル比で有意差で継続的に改善する。
  論文  参考訳（メタデータ） (2020-12-08T11:06:26Z)

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。