Fugu-MT 論文翻訳(概要): Reducing Overconfidence Predictions for Autonomous Driving Perception

論文の概要: Reducing Overconfidence Predictions for Autonomous Driving Perception

arxiv url: http://arxiv.org/abs/2202.07825v1
Date: Wed, 16 Feb 2022 01:59:55 GMT
ステータス: 処理完了
システム内更新日: 2022-02-17 14:34:47.679635
Title: Reducing Overconfidence Predictions for Autonomous Driving Perception
Title（参考訳）: 自律走行知覚における過信予測の低減
Authors: Gledson Melotti, Cristiano Premebida, Jordan J. Bird, Diego R. Faria, Nuno Gon\c{c}alves
Abstract要約: 対象認識のためのSoftMaxやSigmoidベースの予測よりも,最大a-Posteriori(MAP)関数と最大a-Posteriori(MAP)関数の方が確率論的解釈に適していることを示す。 MLとMAP関数は、既存のトレーニングネットワーク、すなわち、事前トレーニングされたネットワークのLogit層の出力によるアプローチの恩恵を受けることができる。
参考スコア（独自算出の注目度）: 3.1428836133120543
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: In state-of-the-art deep learning for object recognition, SoftMax and Sigmoid functions are most commonly employed as the predictor outputs. Such layers often produce overconfident predictions rather than proper probabilistic scores, which can thus harm the decision-making of `critical' perception systems applied in autonomous driving and robotics. Given this, the experiments in this work propose a probabilistic approach based on distributions calculated out of the Logit layer scores of pre-trained networks. We demonstrate that Maximum Likelihood (ML) and Maximum a-Posteriori (MAP) functions are more suitable for probabilistic interpretations than SoftMax and Sigmoid-based predictions for object recognition. We explore distinct sensor modalities via RGB images and LiDARs (RV: range-view) data from the KITTI and Lyft Level-5 datasets, where our approach shows promising performance compared to the usual SoftMax and Sigmoid layers, with the benefit of enabling interpretable probabilistic predictions. Another advantage of the approach introduced in this paper is that the ML and MAP functions can be implemented in existing trained networks, that is, the approach benefits from the output of the Logit layer of pre-trained networks. Thus, there is no need to carry out a new training phase since the ML and MAP functions are used in the test/prediction phase.
Abstract（参考訳）: オブジェクト認識のための最先端のディープラーニングでは、ソフトマックス関数とsgmoid関数が最も一般的に使用される。このような層はしばしば、適切な確率的スコアではなく、自信過剰な予測を生じるため、自動運転やロボティクスに適用される「批判的」な知覚システムの意思決定を損なう可能性がある。そこで本研究では,事前学習したネットワークのロジット層スコアから計算した分布に基づく確率的アプローチを提案する。また,最大度 (ml) と最大 a-posteriori (map) 関数は,オブジェクト認識のためのsoftmaxやsgmoidベースの予測よりも確率論的解釈に適していることを示す。我々は、通常のSoftMax層やSigmoid層と比較して有望な性能を示すKITTIとLyft Level-5データセットから、RGBイメージとLiDAR(RV: Range-view)データを通じて、センサの異なるモダリティを探索し、解釈可能な確率的予測を可能にする。本稿で導入されたアプローチのもう1つの利点は、既存のトレーニングネットワークでMLとMAP関数を実装できること、すなわち、事前訓練されたネットワークのLogit層の出力から得られるアプローチの利点である。したがって、MLとMAP関数がテスト/予測フェーズで使用されるため、新たなトレーニングフェーズを実行する必要はない。

関連論文リスト

The Misclassification Likelihood Matrix: Some Classes Are More Likely To Be Misclassified Than Others [1.654278807602897]
本研究では、分散シフト下でのニューラルネットワーク予測の信頼性を定量化するための新しいツールとして、MLM(Misclassification Likelihood Matrix)を紹介した。この研究の意味は、画像の分類を超えて、自動運転車などの自動運転システムで進行中の応用に及んでいる。
論文参考訳（メタデータ） (2024-07-10T16:43:14Z)
Gaussian Mixture Models for Affordance Learning using Bayesian Networks [50.18477618198277]
Affordancesはアクション、オブジェクト、エフェクト間の関係の基本的な記述である。本稿では,世界を探究し,その感覚経験から自律的にこれらの余裕を学習するエンボディエージェントの問題にアプローチする。
論文参考訳（メタデータ） (2024-02-08T22:05:45Z)
ConvBKI: Real-Time Probabilistic Semantic Mapping Network with Quantifiable Uncertainty [7.537718151195062]
我々は,不確実な環境でのリアルタイムカラーブラック(>10Hz)セマンティックマッピングのためのモジュール型ニューラルネットワークを開発した。提案手法は,従来の確率論的アルゴリズムの信頼性と,現代のニューラルネットワークの性能と効率の両立を図っている。
論文参考訳（メタデータ） (2023-10-24T17:30:26Z)
Human Trajectory Forecasting with Explainable Behavioral Uncertainty [63.62824628085961]
人間の軌道予測は人間の行動を理解し予測し、社会ロボットから自動運転車への応用を可能にする。モデルフリー手法は予測精度が優れているが説明可能性に欠ける一方、モデルベース手法は説明可能性を提供するが、よく予測できない。 BNSP-SFMは,11種類の最先端手法と比較して,予測精度を最大50%向上することを示す。
論文参考訳（メタデータ） (2023-07-04T16:45:21Z)
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)
Transformers Can Do Bayesian Inference [56.99390658880008]
我々はPFN(Presideed Data Fitted Networks)を提案する。 PFNは、大規模機械学習技術におけるインコンテキスト学習を活用して、大規模な後部集合を近似する。我々は、PFNがガウス過程をほぼ完璧に模倣し、難解問題に対する効率的なベイズ推定を可能にすることを示した。
論文参考訳（メタデータ） (2021-12-20T13:07:39Z)
A deep learning based surrogate model for stochastic simulators [0.0]
シミュレータのための深層学習に基づく代理モデルを提案する。我々は損失関数として条件付き最大平均誤差(CMMD)を利用する。その結果,提案手法の優れた性能が得られた。
論文参考訳（メタデータ） (2021-10-24T11:38:47Z)
Probabilistic Gradient Boosting Machines for Large-Scale Probabilistic Regression [51.770998056563094]
PGBM(Probabilistic Gradient Boosting Machines)は、確率的予測を生成する手法である。既存の最先端手法と比較してPGBMの利点を実証的に示す。
論文参考訳（メタデータ） (2021-06-03T08:32:13Z)
Efficient semidefinite-programming-based inference for binary and multi-class MRFs [83.09715052229782]
分割関数やMAP推定をペアワイズMRFで効率的に計算する手法を提案する。一般のバイナリMRFから完全多クラス設定への半定緩和を拡張し、解法を用いて再び効率的に解けるようなコンパクトな半定緩和を開発する。
論文参考訳（メタデータ） (2020-12-04T15:36:29Z)
Efficient Data-Dependent Learnability [8.766022970635898]
予測正規化最大可能性(pNML)アプローチは、最近、バッチ学習問題に対する min-max 最適解として提案されている。ニューラルネットワークに適用すると、この近似が分散外例を効果的に検出できることが示される。
論文参考訳（メタデータ） (2020-11-20T10:44:55Z)
Probabilistic Object Classification using CNN ML-MAP layers [0.0]
ネットワークのLogit層で計算された分布に基づくCNN確率的手法を提案する。この新しいアプローチは、SoftMaxと比較して有望なパフォーマンスを示している。
論文参考訳（メタデータ） (2020-05-29T13:34:15Z)

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。