論文の概要: In Rain or Shine: Understanding and Overcoming Dataset Bias for
Improving Robustness Against Weather Corruptions for Autonomous Vehicles
- arxiv url: http://arxiv.org/abs/2204.01062v1
- Date: Sun, 3 Apr 2022 12:30:20 GMT
- ステータス: 処理完了
- システム内更新日: 2022-04-06 08:01:09.602457
- Title: In Rain or Shine: Understanding and Overcoming Dataset Bias for
Improving Robustness Against Weather Corruptions for Autonomous Vehicles
- Title（参考訳）: In Rain or Shine: 自動運転車の耐候性向上のためのデータセットバイアスの理解と克服
- Authors: Aboli Marathe, Rahee Walambe, Ketan Kotecha, Deepak Kumar Jain
- Abstract要約: バイアスを識別することでデータセットをよりよく理解することに焦点を当てる。
バイアス緩和研究のための簡易かつ効果的なODフレームワークを提案する。
実験の結果,提案手法は平均4倍改良によりベースライン法より優れていた。
- 参考スコア（独自算出の注目度）: 14.408320763535968
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Several popular computer vision (CV) datasets, specifically employed for
Object Detection (OD) in autonomous driving tasks exhibit biases due to a range
of factors including weather and lighting conditions. These biases may impair a
model's generalizability, rendering it ineffective for OD in novel and unseen
datasets. Especially, in autonomous driving, it may prove extremely high risk
and unsafe for the vehicle and its surroundings. This work focuses on
understanding these datasets better by identifying such "good-weather" bias.
Methods to mitigate such bias which allows the OD models to perform better and
improve the robustness are also demonstrated. A simple yet effective OD
framework for studying bias mitigation is proposed. Using this framework, the
performance on popular datasets is analyzed and a significant difference in
model performance is observed. Additionally, a knowledge transfer technique and
a synthetic image corruption technique are proposed to mitigate the identified
bias. Finally, using the DAWN dataset, the findings are validated on the OD
task, demonstrating the effectiveness of our techniques in mitigating
real-world "good-weather" bias. The experiments show that the proposed
techniques outperform baseline methods by averaged fourfold improvement.
- Abstract（参考訳）: 自律運転タスクで特に対象検出(OD)に使用されるいくつかの一般的なコンピュータビジョン(CV)データセットは、天気や照明条件など様々な要因によるバイアスを示す。
これらのバイアスはモデルの一般化性を損なう可能性があり、新規データセットや未発見データセットのodには効果がない。
特に自動運転では、車両とその周囲にとって極めて高いリスクと安全を証明できるかもしれない。
この研究は、これらのデータセットをよりよく理解することに焦点を当てている。
このようなバイアスを軽減する方法により、ODモデルの性能が向上し、ロバスト性も向上する。
バイアス緩和研究のための簡易かつ効果的なODフレームワークを提案する。
このフレームワークを用いて、一般的なデータセットのパフォーマンスを分析し、モデルの性能に大きな違いを観察する。
また, 認識バイアスを軽減するために, 知識伝達技術と合成画像破壊技術を提案する。
最後に,DAWNデータセットを用いてODタスクの検証を行い,実世界の「グッドウェザー」バイアスを緩和する手法の有効性を実証した。
実験の結果,提案手法は平均4倍改善によりベースライン法を上回った。
関連論文リスト
- Robust Monocular Depth Estimation under Challenging Conditions [81.57697198031975]
最先端のモノクル深度推定手法は、難解な照明や気象条件下では信頼性が低い。
我々はmd4allでこれらの安全クリティカルな問題に取り組む: 単純で効果的なソリューションで、悪条件と理想条件の両方で確実に機能する。
論文 参考訳（メタデータ） (2023-08-18T17:59:01Z) - Energy-based Detection of Adverse Weather Effects in LiDAR Data [7.924836086640871]
本稿では,LiDARデータにおける悪天候の影響を検知するための新しい手法を提案する。
提案手法では,低エネルギースコアを不整点,高エネルギースコアを不整点に関連付ける。
悪天候下でのLiDAR知覚の研究領域の拡大を支援するため、SemanticSprayデータセットをリリースする。
論文 参考訳（メタデータ） (2023-05-25T15:03:36Z) - Diffusion Denoising Process for Perceptron Bias in Out-of-distribution
Detection [67.49587673594276]
我々は、識別器モデルが入力の特定の特徴に対してより敏感であることを示唆する新しいパーセプトロンバイアスの仮定を導入し、過度な問題を引き起こした。
DMの拡散分解過程 (DDP) が非対称の新たな形態として機能し, 入力を高め, 過信問題を緩和するのに適していることを示す。
CIFAR10, CIFAR100, ImageNetによる実験により, 提案手法がSOTA手法より優れていることが示された。
論文 参考訳（メタデータ） (2022-11-21T08:45:08Z) - D-BIAS: A Causality-Based Human-in-the-Loop System for Tackling
Algorithmic Bias [57.87117733071416]
D-BIASは、人間のループ内AIアプローチを具現化し、社会的バイアスを監査し軽減する視覚対話型ツールである。
ユーザは、因果ネットワークにおける不公平な因果関係を識別することにより、グループに対する偏見の存在を検出することができる。
それぞれのインタラクション、例えばバイアスのある因果縁の弱体化/削除は、新しい(偏りのある)データセットをシミュレートするために、新しい方法を用いている。
論文 参考訳（メタデータ） (2022-08-10T03:41:48Z) - Robust Trajectory Prediction against Adversarial Attacks [84.10405251683713]
ディープニューラルネットワーク(DNN)を用いた軌道予測は、自律運転システムにおいて不可欠な要素である。
これらの手法は敵の攻撃に対して脆弱であり、衝突などの重大な結果をもたらす。
本研究では,敵対的攻撃に対する軌道予測モデルを保護するための2つの重要な要素を同定する。
論文 参考訳（メタデータ） (2022-07-29T22:35:05Z) - RestoreX-AI: A Contrastive Approach towards Guiding Image Restoration
via Explainable AI Systems [8.430502131775722]
気象汚染は物体の検知可能性を妨げ、ナビゲーションと信頼性に深刻な脅威をもたらす可能性がある。
本稿では,修復モデルによる画像の評価とポストトレーニングによる画像の評価により,この問題の緩和に向けた対照的なアプローチを提案する。
気象条件下での入力画像と復元画像の間に平均178%のmAP増加が達成された。
論文 参考訳（メタデータ） (2022-04-03T12:45:00Z) - How Do We Fail? Stress Testing Perception in Autonomous Vehicles [40.19326157052966]
本稿では、悪天候下での自動運転車のLiDARによる認識システムの故障を特徴付ける手法を提案する。
本研究では,物体追跡や乱れの列による軌道予測において,潜在的な故障を発見するための強化学習に基づく手法を開発する。
論文 参考訳（メタデータ） (2022-03-26T20:48:09Z) - 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) - Adversarial Filters of Dataset Biases [96.090959788952]
大規模なニューラルモデルでは、言語とビジョンベンチマークで人間レベルのパフォーマンスが実証されている。
それらの性能は、敵対的またはアウト・オブ・ディストリビューションのサンプルで著しく低下する。
このようなデータセットバイアスを逆フィルタするAFLiteを提案する。
論文 参考訳（メタデータ） (2020-02-10T21:59:21Z)
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。