論文の概要: Experiments on Anomaly Detection in Autonomous Driving by Forward-Backward Style Transfers

• arxiv url: http://arxiv.org/abs/2207.06055v1
• Date: Wed, 13 Jul 2022 08:58:55 GMT
• ステータス: 処理完了
• システム内更新日: 2022-07-15 00:07:01.852693
• Title: Experiments on Anomaly Detection in Autonomous Driving by Forward-Backward Style Transfers
• Title（参考訳）: 前方移動による自律走行における異常検出実験
• Authors: Daniel Bogdoll, Meng Zhang, Maximilian Nitsche, J. Marius Z\"ollner
• Abstract要約: 異常検出は、大規模な自動運転車の配備に向けた大きなハードルです。 本稿では,スタイル転送による異常検出のための新しい手法を提案する。 生成モデルを利用して、元のスタイル領域から任意の領域に画像をマッピングし、ピクセル単位の異常スコアを生成する。
• 参考スコア（独自算出の注目度）: 7.077606799034598
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Great progress has been achieved in the community of autonomous driving in the past few years. As a safety-critical problem, however, anomaly detection is a huge hurdle towards a large-scale deployment of autonomous vehicles in the real world. While many approaches, such as uncertainty estimation or segmentation-based image resynthesis, are extremely promising, there is more to be explored. Especially inspired by works on anomaly detection based on image resynthesis, we propose a novel approach for anomaly detection through style transfer. We leverage generative models to map an image from its original style domain of road traffic to an arbitrary one and back to generate pixelwise anomaly scores. However, our experiments have proven our hypothesis wrong, and we were unable to produce significant results. Nevertheless, we want to share our findings, so that others can learn from our experiments.
• Abstract（参考訳）: 過去数年間、自動運転のコミュニティは大きな進歩を遂げてきた。 しかし、安全-クリティカルな問題として、異常検出は、現実世界における自動運転車の大規模な展開に向けた大きなハードルである。 不確実性推定やセグメンテーションに基づく画像再合成といった多くのアプローチは極めて有望であるが、さらなる検討が必要である。 特に画像再生に基づく異常検出の研究に触発され,我々はスタイル転送による異常検出の新しいアプローチを提案する。 生成モデルを利用して、道路交通の元々のスタイル領域から任意の領域に画像をマッピングし、画素単位の異常スコアを生成する。 しかし,実験により仮説の誤りが証明され,有意な結果が得られなかった。 それでも私たちは、他の人が実験から学ぶことができるように、発見を共有したいと考えています。

関連論文リスト

• Detecting Discrepancies Between AI-Generated and Natural Images Using Uncertainty [91.64626435585643]
  本稿では,誤用と関連するリスクを軽減するために,予測不確実性を利用してAI生成画像を検出する新しい手法を提案する。 この動機は、自然画像とAI生成画像の分布差に関する基本的な仮定から生じる。 本稿では,AI生成画像の検出スコアとして,大規模事前学習モデルを用いて不確実性を計算することを提案する。
  論文  参考訳（メタデータ） (2024-12-08T11:32:25Z)
• GeneralAD: Anomaly Detection Across Domains by Attending to Distorted Features [68.14842693208465]
  GeneralADは、意味的、ほぼ分布的、産業的設定で動作するように設計された異常検出フレームワークである。 本稿では,ノイズ付加やシャッフルなどの簡単な操作を施した自己教師付き異常生成モジュールを提案する。 提案手法を10のデータセットに対して広範囲に評価し,6つの実験結果と,残りの6つの実験結果を得た。
  論文  参考訳（メタデータ） (2024-07-17T09:27:41Z)
• Don't Miss Out on Novelty: Importance of Novel Features for Deep Anomaly Detection [64.21963650519312]
  異常検出(AD)は、正規性の学習モデルに適合しない観察を識別する重要なタスクである。 本稿では, 入力空間における説明不能な観測として, 説明可能性を用いた新しいAD手法を提案する。 当社のアプローチでは,複数のベンチマークにまたがる新たな最先端性を確立し,さまざまな異常な型を扱う。
  論文  参考訳（メタデータ） (2023-10-01T21:24:05Z)
• Conditioning Latent-Space Clusters for Real-World Anomaly Classification [11.633929083694388]
  我々は、様々なタイプの異常や大きさを含む都市シーンからの高解像度カメラデータに焦点を当てる。 変分オートエンコーダに基づいて、サンプルを正規データまたは異常として分類するために、その潜時空間を条件とする。
  論文  参考訳（メタデータ） (2023-09-18T11:26:48Z)
• Synthetic outlier generation for anomaly detection in autonomous driving [1.0989593035411862]
  異常検出は、確立されたパターンや大部分のデータから著しく逸脱したインスタンスを特定するために重要である。 本研究では,異常検出モジュールを用いた画像意味セグメンテーションモデルの訓練方法について検討する。 最先端DenseHybridモデルのトレーニング段階に改良を加えることで,異常検出における大幅な性能向上を実現した。
  論文  参考訳（メタデータ） (2023-08-04T07:55:32Z)
• Unsupervised Adaptation from Repeated Traversals for Autonomous Driving [54.59577283226982]
  自動運転車はエンドユーザー環境に一般化し、確実に動作させなければならない。 潜在的な解決策の1つは、エンドユーザの環境から収集されたラベルのないデータを活用することである。 適応過程を監督する信頼性のある信号はターゲット領域に存在しない。 この単純な仮定は、ターゲット領域上の3次元物体検出器の反復的自己学習を可能にする強力な信号を得るのに十分であることを示す。
  論文  参考訳（メタデータ） (2023-03-27T15:07:55Z)
• Multimodal Detection of Unknown Objects on Roads for Autonomous Driving [4.3310896118860445]
  未知の物体を検出する新しいパイプラインを提案する。 我々は,最先端の美術品検出モデルを逐次的に組み合わせることで,ライダーとカメラのデータを利用する。
  論文  参考訳（メタデータ） (2022-05-03T10:58:41Z)
• Anomaly Detection in Multi-Agent Trajectories for Automated Driving [2.5211566369910967]
  人間と同様、自動走行車は異常検出を行う。 私たちの革新は、動的エージェントの複数の軌道を共同で学習する能力です。
  論文  参考訳（メタデータ） (2021-10-15T08:07:31Z)
• SODA10M: Towards Large-Scale Object Detection Benchmark for Autonomous Driving [94.11868795445798]
  我々は,SODA10Mという名の自律走行用大規模物体検出ベンチマークをリリースし,1000万枚の未ラベル画像と6つの代表対象カテゴリをラベル付けした20K画像を含む。 多様性を向上させるために、画像は32の異なる都市で、1フレームあたり10秒毎に異なる気象条件、期間、場所のシーンで収集される。 我々は、既存の教師付き最先端検出モデル、一般的な自己監督型および半教師付きアプローチ、および将来のモデルの開発方法に関するいくつかの知見について、広範な実験と詳細な分析を行った。
  論文  参考訳（メタデータ） (2021-06-21T13:55:57Z)
• Beyond the Spectrum: Detecting Deepfakes via Re-Synthesis [69.09526348527203]
  ディープフェイク(Deepfakes)として知られる非常に現実的なメディアは、現実の目から人間の目まで区別できない。 本研究では,テスト画像を再合成し,検出のための視覚的手がかりを抽出する,新しい偽検出手法を提案する。 種々の検出シナリオにおいて,提案手法の摂動に対する有効性の向上,GANの一般化,堅牢性を示す。
  論文  参考訳（メタデータ） (2021-05-29T21:22:24Z)
• VTGNet: A Vision-based Trajectory Generation Network for Autonomous Vehicles in Urban Environments [26.558394047144006]
  模倣学習に基づく不確実性を考慮した終端軌道生成手法を開発した。 様々な気象条件や照明条件下では,ネットワークは異なる都市環境下で確実にトラジェクトリを生成することができる。 提案手法は,SOTA(State-of-the-art-to-end Control)よりもクロスシーン/プラットフォーム駆動性が向上する。
  論文  参考訳（メタデータ） (2020-04-27T06:17:55Z)

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。