Fugu-MT 論文翻訳(概要): Noise Reduction and Driving Event Extraction Method for Performance Improvement on Driving Noise-based Surface Anomaly Detection

論文の概要: Noise Reduction and Driving Event Extraction Method for Performance Improvement on Driving Noise-based Surface Anomaly Detection

arxiv url: http://arxiv.org/abs/2112.07214v1
Date: Tue, 14 Dec 2021 07:50:30 GMT
ステータス: 処理完了
システム内更新日: 2021-12-15 16:48:59.997344
Title: Noise Reduction and Driving Event Extraction Method for Performance Improvement on Driving Noise-based Surface Anomaly Detection
Title（参考訳）: 運転騒音に基づく表面異常検出の性能向上のための騒音低減と運転イベント抽出法
Authors: YeongHyeon Park, JoonSung Lee, Myung Jin Kim, Wonseok Park
Abstract要約: 雨水や黒い氷などの路面上の異物はタイヤと表面の間の摩擦を減少させる。本稿では,計算効率と異常検出性能を向上させるための簡易な駆動イベント抽出法とノイズ低減法を提案する。
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: Foreign substances on the road surface, such as rainwater or black ice, reduce the friction between the tire and the surface. The above situation will reduce the braking performance and make difficult to control the vehicle body posture. In that case, there is a possibility of property damage at least. In the worst case, personal damage will be occured. To avoid this problem, a road anomaly detection model is proposed based on vehicle driving noise. However, the prior proposal does not consider the extra noise, mixed with driving noise, and skipping calculations for moments without vehicle driving. In this paper, we propose a simple driving event extraction method and noise reduction method for improving computational efficiency and anomaly detection performance.
Abstract（参考訳）: 雨水や黒い氷などの路面上の異物はタイヤと表面の間の摩擦を減少させる。以上の状況によりブレーキ性能が低下し、車体姿勢の制御が困難となる。その場合、少なくとも財産が被害を受ける可能性がある。最悪の場合、個人的損害が発生する。この問題を解決するために,車両走行騒音に基づく道路異常検出モデルを提案する。しかし, 先行提案では, 走行騒音と混合した余分な騒音を考慮せず, 車両運転を伴わないモーメントのスキップ計算も考慮されていない。本稿では,計算効率と異常検出性能を向上させるための簡易な駆動イベント抽出法とノイズ低減法を提案する。

関連論文リスト

SmartRSD: An Intelligent Multimodal Approach to Real-Time Road Surface Detection for Safe Driving [4.22695582100076]
本稿では,音声と画像を統合することで路面条件の自動検出を実現するためのマルチモーダル手法を提案する。本研究は,道路安全の向上と事故リスクの最小化を目的とした聴覚と視覚の融合の可能性を明らかにするものである。
論文参考訳（メタデータ） (2024-06-14T15:38:21Z)
SoftPatch: Unsupervised Anomaly Detection with Noisy Data [67.38948127630644]
本稿では,画像センサ異常検出におけるラベルレベルのノイズを初めて考察する。本稿では,メモリベースの非教師付きAD手法であるSoftPatchを提案する。既存の手法と比較して、SoftPatchは通常のデータの強力なモデリング能力を維持し、コアセットにおける過信問題を軽減する。
論文参考訳（メタデータ） (2024-03-21T08:49:34Z)
Context-Aware Quantitative Risk Assessment Machine Learning Model for Drivers Distraction [0.0]
MDDRA(Multi-class Driver Distraction Risk Assessment)モデルは、旅行中の車両、運転者、環境データを考慮したモデルである。 MDDRAは、危険行列上のドライバーを安全、不注意、危険と分類する。我々は、重度レベルに応じて運転者の気晴らしを分類し、予測するために機械学習技術を適用した。
論文参考訳（メタデータ） (2024-02-20T23:20:36Z)
Inferring Heterogeneous Treatment Effects of Crashes on Highway Traffic: A Doubly Robust Causal Machine Learning Approach [15.717402981513812]
本稿では,高速道路における各種事故の因果的影響を推定する新しい因果的機械学習フレームワークを提案する。ワシントン州のハイウェイ州間高速道路5号線で発生した4815件の事故実験の結果、様々な距離と時間における事故の不均一な処理効果が明らかになった。
論文参考訳（メタデータ） (2024-01-01T15:03:14Z)
Improving the Robustness of Summarization Models by Detecting and Removing Input Noise [50.27105057899601]
本研究では,様々な種類の入力ノイズから,様々なデータセットやモデルサイズに対する性能損失を定量化する大規模な実験的検討を行った。本稿では,モデル推論中の入力中のそのようなノイズを検出し,除去するための軽量な手法を提案する。
論文参考訳（メタデータ） (2022-12-20T00:33:11Z)
Frequency of Interest-based Noise Attenuation Method to Improve Anomaly Detection Performance [0.0]
本研究では,風騒音などの余分な騒音によるイベント抽出の精度向上手法を提案する。本手法は,異常検出性能を平均8.506%向上させながら,精度の高いイベント抽出を可能にする。
論文参考訳（メタデータ） (2022-10-20T07:42:33Z)
Efficient Non-Compression Auto-Encoder for Driving Noise-based Road Surface Anomaly Detection [0.0]
本稿では,より少ない計算資源と高い異常検出性能を実現するために,畳み込み型自動エンコーダを用いた異常検出モデルを提案する。その結果、従来のモデルに比べてニューラルネットワークの計算コストは最大1/25に削減され、異常検出性能は最大7.72%向上した。
論文参考訳（メタデータ） (2021-11-22T04:59:45Z)
Analyzing and Improving the Optimization Landscape of Noise-Contrastive Estimation [50.85788484752612]
ノイズコントラスト推定(NCE)は、非正規化確率モデルを学習するための統計的に一貫した手法である。ノイズ分布の選択がNCEの性能に不可欠であることが実験的に観察されている。本研究では,不適切な雑音分布を用いた場合,NCEの性能低下の原因を正式に指摘する。
論文参考訳（メタデータ） (2021-10-21T16:57:45Z)
Lidar Light Scattering Augmentation (LISA): Physics-based Simulation of Adverse Weather Conditions for 3D Object Detection [60.89616629421904]
ライダーベースの物体検出器は、自動運転車のような自律ナビゲーションシステムにおいて、3D知覚パイプラインの重要な部分である。降雨、雪、霧などの悪天候に敏感で、信号-雑音比(SNR)と信号-背景比(SBR)が低下している。
論文参考訳（メタデータ） (2021-07-14T21:10:47Z)
Can Autonomous Vehicles Identify, Recover From, and Adapt to Distribution Shifts? [104.04999499189402]
トレーニング外の配布(OOD)シナリオは、デプロイ時にエージェントを学ぶ上で一般的な課題である。インプロバスト模倣計画(RIP)と呼ばれる不確実性を考慮した計画手法を提案する。提案手法は,OODシーンにおける過信および破滅的な外挿を低減し,分布変化を検知し,回復することができる。分散シフトを伴うタスク群に対する駆動エージェントのロバスト性を評価するために,自動走行車ノベルシーンベンチマークであるtexttCARNOVEL を導入する。
論文参考訳（メタデータ） (2020-06-26T11:07:32Z)
Driver Intention Anticipation Based on In-Cabin and Driving Scene Monitoring [52.557003792696484]
本稿では,車内映像と交通シーン映像の両方に基づいて運転者の意図を検出する枠組みを提案する。本フレームワークは,83.98%,F1スコア84.3%の精度で予測を行う。
論文参考訳（メタデータ） (2020-06-20T11:56:32Z)

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。