論文の概要: Probabilistic Approach for Road-Users Detection
- arxiv url: http://arxiv.org/abs/2112.01360v4
- Date: Fri, 21 Apr 2023 19:35:37 GMT
- ステータス: 処理完了
- システム内更新日: 2023-04-26 00:52:36.580640
- Title: Probabilistic Approach for Road-Users Detection
- Title（参考訳）: 道路利用者検出のための確率論的アプローチ
- Authors: G. Melotti and W. Lu and P. Conde and D. Zhao and A. Asvadi and N.
Gon\c{c}alves and C. Premebida
- Abstract要約: 最先端のディープラーニングに基づくオブジェクト検出における大きな課題の1つは、自信過剰なスコアで発生する偽陽性である。
本稿では, 深層物体検出ネットワークに新しい確率層を導入することにより, 過信予測の問題を緩和する手法を提案する。
提案手法は, 真正に対する性能を劣化させることなく, 偽正の過信を低減できることを実証した。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Object detection in autonomous driving applications implies that the
detection and tracking of semantic objects are commonly native to urban driving
environments, as pedestrians and vehicles. One of the major challenges in
state-of-the-art deep-learning based object detection are false positives which
occur with overconfident scores. This is highly undesirable in autonomous
driving and other critical robotic-perception domains because of safety
concerns. This paper proposes an approach to alleviate the problem of
overconfident predictions by introducing a novel probabilistic layer to deep
object detection networks in testing. The suggested approach avoids the
traditional Sigmoid or Softmax prediction layer which often produces
overconfident predictions. It is demonstrated that the proposed technique
reduces overconfidence in the false positives without degrading the performance
on the true positives. The approach is validated on the 2D-KITTI objection
detection through the YOLOV4 and SECOND (Lidar-based detector). The proposed
approach enables interpretable probabilistic predictions without the
requirement of re-training the network and therefore is very practical.
- Abstract（参考訳）: 自動運転アプリケーションにおける物体検出は、セマンティックオブジェクトの検出と追跡が、歩行者や車両のような都市部の運転環境に特有のことを暗示している。
最先端のディープラーニングに基づくオブジェクト検出における大きな課題の1つは、自信過剰なスコアで発生する偽陽性である。
安全上の懸念から、自動運転や他の重要なロボット知覚領域では、これは非常に望ましくない。
本稿では, 深層物体検出ネットワークに新しい確率層を導入することにより, 過密予測の問題を緩和する手法を提案する。
提案手法は従来のsgmoidまたはsoftmax予測層を避け、しばしば自信過剰な予測を生成する。
提案手法は, 真正に対する性能を劣化させることなく, 偽正の過信を低減できることを実証した。
この手法は、YOLOV4とSECOND(Lidar-based detector)による2D-KITTI対物検出で検証される。
提案手法は,ネットワークの再学習を必要とせず,解釈可能な確率予測を可能にする。
関連論文リスト
- UAHOI: Uncertainty-aware Robust Interaction Learning for HOI Detection [18.25576487115016]
本稿では,Human-Object Interaction(HOI)検出について述べる。
与えられた画像やビデオフレーム内の人間とオブジェクト間の相互作用を識別し、理解するという課題に対処する。
本研究では,不確実性を考慮したロバストなヒューマンオブジェクトインタラクション学習であるtextscUAHOIを提案する。
論文 参考訳（メタデータ） (2024-08-14T10:06:39Z) - Token-Level Adversarial Prompt Detection Based on Perplexity Measures
and Contextual Information [67.78183175605761]
大規模言語モデルは、敵の迅速な攻撃に影響を受けやすい。
この脆弱性は、LLMの堅牢性と信頼性に関する重要な懸念を浮き彫りにしている。
トークンレベルで敵のプロンプトを検出するための新しい手法を提案する。
論文 参考訳（メタデータ） (2023-11-20T03:17:21Z) - Implicit Occupancy Flow Fields for Perception and Prediction in
Self-Driving [68.95178518732965]
自動運転車(SDV)は、周囲を認識でき、他の交通参加者の将来の行動を予測できなければならない。
既存の作業は、検出されたオブジェクトの軌跡が続くオブジェクト検出を実行するか、シーン全体の密度の高い占有とフローグリッドを予測するかのいずれかである。
これは、認識と将来の予測に対する統一されたアプローチを動機付け、単一のニューラルネットワークで時間とともに占有とフローを暗黙的に表現します。
論文 参考訳（メタデータ） (2023-08-02T23:39:24Z) - Boosting Adversarial Robustness using Feature Level Stochastic Smoothing [46.86097477465267]
敵の防御は、ディープニューラルネットワークの堅牢性を大幅に向上させた。
本研究では,ネットワーク予測における導入性に関する一般的な手法を提案する。
また、信頼性の低い予測を拒否する意思決定の円滑化にも活用する。
論文 参考訳（メタデータ） (2023-06-10T15:11:24Z) - Uncertainty-Aware AB3DMOT by Variational 3D Object Detection [74.8441634948334]
不確実性推定は統計的に正確な予測を提供する効果的なツールである。
本稿では,変分ニューラルネットワークを用いたTANet 3Dオブジェクト検出器を提案し,不確実性のある3Dオブジェクト検出を行う。
論文 参考訳（メタデータ） (2023-02-12T14:30:03Z) - Interpretable Self-Aware Neural Networks for Robust Trajectory
Prediction [50.79827516897913]
本稿では,意味概念間で不確実性を分散する軌道予測のための解釈可能なパラダイムを提案する。
実世界の自動運転データに対する我々のアプローチを検証し、最先端のベースラインよりも優れた性能を示す。
論文 参考訳（メタデータ） (2022-11-16T06:28:20Z) - Learning Uncertainty For Safety-Oriented Semantic Segmentation In
Autonomous Driving [77.39239190539871]
自律運転における安全クリティカル画像セグメンテーションを実現するために、不確実性推定をどのように活用できるかを示す。
相似性関数によって測定された不一致予測に基づく新しい不確実性尺度を導入する。
本研究では,提案手法が競合手法よりも推論時間において計算集約性が低いことを示す。
論文 参考訳（メタデータ） (2021-05-28T09:23:05Z) - Increasing the Confidence of Deep Neural Networks by Coverage Analysis [71.57324258813674]
本稿では、異なる安全でない入力に対してモデルを強化するために、カバレッジパラダイムに基づく軽量な監視アーキテクチャを提案する。
実験結果から,提案手法は強力な対向例とアウト・オブ・ディストリビューション・インプットの両方を検出するのに有効であることが示唆された。
論文 参考訳（メタデータ） (2021-01-28T16:38:26Z) - A Review and Comparative Study on Probabilistic Object Detection in
Autonomous Driving [14.034548457000884]
物体検出の不確実性の捕捉は、安全な自律運転には不可欠である。
深部物体検出における不確実性推定の要約はない。
本稿では,既存の確率的物体検出手法のレビューと比較検討を行う。
論文 参考訳（メタデータ） (2020-11-20T22:30:36Z) - Uncertainty-Aware Vehicle Orientation Estimation for Joint
Detection-Prediction Models [12.56249869551208]
オリエンテーションは、自律システムの下流モジュールにとって重要な特性である。
本稿では,既存のモデルを拡張し,共同物体検出と動き予測を行う手法を提案する。
さらに、この手法は予測の不確かさを定量化することができ、推定された向きが反転する確率を出力することができる。
論文 参考訳（メタデータ） (2020-11-05T21:59:44Z)
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。