論文の概要: MUAD: Multiple Uncertainties for Autonomous Driving benchmark for multiple uncertainty types and tasks

• arxiv url: http://arxiv.org/abs/2203.01437v1
• Date: Wed, 2 Mar 2022 22:14:12 GMT
• ステータス: 処理完了
• システム内更新日: 2022-03-05 10:22:27.280755
• Title: MUAD: Multiple Uncertainties for Autonomous Driving benchmark for multiple uncertainty types and tasks
• Title（参考訳）: muad: 複数の不確実性タイプとタスクに対する自律運転ベンチマークの複数の不確実性
• Authors: Gianni Franchi, Xuanlong Yu, Andrei Bursuc, R\'emi Kazmierczak, S\'everine Dubuisson, Emanuel Aldea, David Filliat
• Abstract要約: MUADデータセットは8,500個のリアルな合成画像で構成され、様々な悪天候条件がある。 このデータセットは、モデルパフォーマンスに対するさまざまな不確実性ソースの影響をより正確に評価することを可能にする。
• 参考スコア（独自算出の注目度）: 10.624564056837835
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Predictive uncertainty estimation is essential for deploying Deep Neural Networks in real-world autonomous systems. However, disentangling the different types and sources of uncertainty is non trivial in most datasets, especially since there is no ground truth for uncertainty. In addition, different degrees of weather conditions can disrupt neural networks, resulting in inconsistent training data quality. Thus, we introduce the MUAD dataset (Multiple Uncertainties for Autonomous Driving), consisting of 8,500 realistic synthetic images with diverse adverse weather conditions (night, fog, rain, snow), out-of-distribution objects and annotations for semantic segmentation, depth estimation, object and instance detection. MUAD allows to better assess the impact of different sources of uncertainty on model performance. We propose a study that shows the importance of having reliable Deep Neural Networks (DNNs) in multiple experiments, and will release our dataset to allow researchers to benchmark their algorithm methodically in ad-verse conditions. More information and the download link for MUAD are available at https://muad-dataset.github.io/ .
• Abstract（参考訳）: 深層ニューラルネットワークを実世界の自律システムに適用するには,予測的不確実性推定が不可欠である。 しかし、多くのデータセットにおいて、異なる型や不確実性源を遠ざけることは、特に不確実性に関する基礎的な真実が存在しないため、自明ではない。 さらに、さまざまな天候条件がニューラルネットワークを混乱させ、トレーニングデータ品質の一貫性を損なう可能性がある。 そこで, MUADデータセット(Multiple Uncertainties for Autonomous Driving)を導入し, 種々の悪天候(夜間, 霧, 雨, 雪)や分布外物, 意味的セグメンテーション, 深度推定, オブジェクト, インスタンス検出のためのアノテーションを含む, 8500のリアルな合成画像からなる。 muadは、モデルパフォーマンスに対するさまざまな不確実性源の影響をよりよく評価する。 本稿では,複数の実験においてDNN(Deep Neural Networks)が重要であることを示すとともに,研究者がアルゴリズムを定量的に逆条件下でベンチマークできるようにデータセットをリリースする。 詳細と MUAD のダウンロードリンク は https://muad-dataset.github.io/ で公開されている。

関連論文リスト

• A Dataset for Evaluating Online Anomaly Detection Approaches for Discrete Multivariate Time Series [0.01874930567916036]
  現在の公開データセットは小さすぎるため、多様ではない。 我々は、最先端のシミュレーションツールによって生成される多種多様な、広範囲で、非自明なデータセットという解決策を提案する。 トレーニングとテストサブセットが汚染された、クリーンなバージョンで提供されるように、データセットのさまざまなバージョンを利用可能にしています。 予想通り、ベースライン実験では、データセットの半教師付きバージョンでトレーニングされたアプローチが、教師なしバージョンよりも優れていた。
  論文  参考訳（メタデータ） (2024-11-21T09:03:12Z)
• Perception Datasets for Anomaly Detection in Autonomous Driving: A Survey [4.731404257629232]
  異常検出手法の評価のために複数の知覚データセットが作成されている。 このサーベイは構造化され、私たちの知る限り、自律運転における異常検出のための知覚データセットの完全な概要と比較を提供する。
  論文  参考訳（メタデータ） (2023-02-06T14:07:13Z)
• 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)
• NUQ: Nonparametric Uncertainty Quantification for Deterministic Neural Networks [151.03112356092575]
  本研究では,Nadaraya-Watson の条件付きラベル分布の非パラメトリック推定に基づく分類器の予測の不確かさの測定方法を示す。 種々の実世界の画像データセットにおける不確実性推定タスクにおいて,本手法の強い性能を示す。
  論文  参考訳（メタデータ） (2022-02-07T12:30:45Z)
• Attribute-Guided Adversarial Training for Robustness to Natural Perturbations [64.35805267250682]
  本稿では,属性空間への分類器の露出を最大化するために,新しいサンプルを生成することを学習する逆学習手法を提案する。 我々のアプローチは、ディープニューラルネットワークが自然に発生する摂動に対して堅牢であることを可能にする。
  論文  参考訳（メタデータ） (2020-12-03T10:17:30Z)
• Ramifications of Approximate Posterior Inference for Bayesian Deep Learning in Adversarial and Out-of-Distribution Settings [7.476901945542385]
  ベイジアン深層学習モデルが従来のニューラルネットワークよりわずかに優れていることを示す。 予備的な調査は、初期化、アーキテクチャ、アクティベーション関数の選択によるバイアスの潜在的固有の役割を示している。
  論文  参考訳（メタデータ） (2020-09-03T16:58:15Z)
• Contextual-Bandit Anomaly Detection for IoT Data in Distributed Hierarchical Edge Computing [65.78881372074983]
  IoTデバイスは複雑なディープニューラルネットワーク(DNN)モデルにはほとんど余裕がなく、異常検出タスクをクラウドにオフロードすることは長い遅延を引き起こす。 本稿では,分散階層エッジコンピューティング(HEC)システムを対象とした適応型異常検出手法のデモと構築を行う。 提案手法は,検出タスクをクラウドにオフロードした場合と比較して,精度を犠牲にすることなく検出遅延を著しく低減することを示す。
  論文  参考訳（メタデータ） (2020-04-15T06:13:33Z)
• Diversity inducing Information Bottleneck in Model Ensembles [73.80615604822435]
  本稿では,予測の多様性を奨励することで,ニューラルネットワークの効果的なアンサンブルを生成する問題をターゲットにする。 そこで本研究では,潜伏変数の学習における逆損失の多様性を明示的に最適化し,マルチモーダルデータのモデリングに必要な出力予測の多様性を得る。 最も競争力のあるベースラインと比較して、データ分布の変化の下で、分類精度が大幅に向上した。
  論文  参考訳（メタデータ） (2020-03-10T03:10:41Z)
• Uncertainty Estimation Using a Single Deep Deterministic Neural Network [66.26231423824089]
  本稿では,1回のフォワードパスで,テスト時に分布データポイントの発見と拒否が可能な決定論的ディープモデルを訓練する手法を提案する。 我々は,新しい損失関数とセントロイド更新方式を用いて,これらをスケールトレーニングし,ソフトマックスモデルの精度に適合させる。
  論文  参考訳（メタデータ） (2020-03-04T12:27:36Z)

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。