論文の概要: Context-Aware Streaming Perception in Dynamic Environments
- arxiv url: http://arxiv.org/abs/2208.07479v1
- Date: Tue, 16 Aug 2022 00:33:04 GMT
- ステータス: 処理完了
- システム内更新日: 2022-08-17 12:31:05.787095
- Title: Context-Aware Streaming Perception in Dynamic Environments
- Title（参考訳）: 動的環境におけるコンテキストアウェアストリーミング知覚
- Authors: Gur-Eyal Sela, Ionel Gog, Justin Wong, Kumar Krishna Agrawal, Xiangxi
Mo, Sukrit Kalra, Peter Schafhalter, Eric Leong, Xin Wang, Bharathan Balaji,
Joseph Gonzalez, Ion Stoica
- Abstract要約: 自動走行のようなリアルタイム視覚アプリケーションはストリーミング設定で動作し、推論の開始と終了の間に真実が変わる。
環境コンテキスト毎にストリーミング精度を最大化することを提案する。
提案手法は従来の静的アプローチよりも7.4%向上する。
- 参考スコア（独自算出の注目度）: 25.029862642968457
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Efficient vision works maximize accuracy under a latency budget. These works
evaluate accuracy offline, one image at a time. However, real-time vision
applications like autonomous driving operate in streaming settings, where
ground truth changes between inference start and finish. This results in a
significant accuracy drop. Therefore, a recent work proposed to maximize
accuracy in streaming settings on average. In this paper, we propose to
maximize streaming accuracy for every environment context. We posit that
scenario difficulty influences the initial (offline) accuracy difference, while
obstacle displacement in the scene affects the subsequent accuracy degradation.
Our method, Octopus, uses these scenario properties to select configurations
that maximize streaming accuracy at test time. Our method improves tracking
performance (S-MOTA) by 7.4% over the conventional static approach. Further,
performance improvement using our method comes in addition to, and not instead
of, advances in offline accuracy.
- Abstract（参考訳）: 効率的なビジョンは、遅延予算の下で精度を最大化する。
これらの作業は、1回に1つの画像の精度をオフラインで評価する。
しかし、自律運転のようなリアルタイム視覚アプリケーションはストリーミング設定で動作し、推論開始と終了の間に真実が変わる。
これにより精度が大幅に低下する。
そのため,ストリーミング設定の精度を平均で最大化するための最近の研究が提案されている。
本稿では,各環境環境におけるストリーミング精度を最大化する手法を提案する。
シナリオの難易度は初期(オフライン)の精度差に影響を及ぼすが、シーン内の障害物変位はその後の精度劣化に影響を与えると仮定する。
提案手法は,これらのシナリオ特性を用いて,テスト時のストリーミング精度を最大化する構成を選択する。
提案手法は従来の静的アプローチよりも7.4%向上する。
さらに,オフライン精度の向上に加えて,本手法による性能向上も実現している。
関連論文リスト
- Understanding Optimization in Deep Learning with Central Flows [53.66160508990508]
RMSの暗黙的な振る舞いは、微分方程式の「中央流:」によって明示的に捉えられることを示す。
これらのフローは、汎用ニューラルネットワークの長期最適化軌道を経験的に予測できることを示す。
論文 参考訳（メタデータ） (2024-10-31T17:58:13Z) - Real-time Stereo-based 3D Object Detection for Streaming Perception [12.52037626475608]
本稿では,ストリーミング知覚のための3Dオブジェクト検出フレームワークStreamDSGNを紹介する。
StreamDSGNは、過去の情報を利用して、次の瞬間にオブジェクトの3D特性を直接予測する。
強いベースラインと比較して、StreamDSGNはストリーミング平均精度を最大4.33%向上させる。
論文 参考訳（メタデータ） (2024-10-16T09:23:02Z) - DaDe: Delay-adaptive Detector for Streaming Perception [0.0]
リアルタイム環境では、処理が終了すると周囲環境が変化する。
リアルタイム映像認識のレイテンシと精度を評価するために,ストリーム認識を提案する。
我々は,処理遅延をリアルタイムに反映し,最も合理的な結果が得られるモデルを開発した。
論文 参考訳（メタデータ） (2022-12-22T09:25:46Z) - StreamYOLO: Real-time Object Detection for Streaming Perception [84.2559631820007]
将来を予測する能力を備えたモデルを提供し、ストリーミング知覚の結果を大幅に改善する。
本稿では,複数の速度を駆動するシーンについて考察し,VasAP(Velocity-Awared streaming AP)を提案する。
本手法は,Argoverse-HDデータセットの最先端性能を実現し,SAPとVsAPをそれぞれ4.7%,VsAPを8.2%改善する。
論文 参考訳（メタデータ） (2022-07-21T12:03:02Z) - Real-time Object Detection for Streaming Perception [84.2559631820007]
ストリーミング知覚は,ビデオオンライン知覚の1つの指標として,レイテンシと精度を共同評価するために提案される。
ストリーミング知覚のためのシンプルで効果的なフレームワークを構築します。
提案手法はArgoverse-HDデータセット上での競合性能を実現し,強力なベースラインに比べてAPを4.9%向上させる。
論文 参考訳（メタデータ） (2022-03-23T11:33:27Z) - AuxAdapt: Stable and Efficient Test-Time Adaptation for Temporally
Consistent Video Semantic Segmentation [81.87943324048756]
ビデオセグメンテーションでは、フレーム間で時間的に一貫した結果を生成することは、フレームワイドの精度を達成するのと同じくらい重要である。
既存の方法は、時間的整合性を達成するために、テストデータによる光フローの正則化や微調整に依存している。
本稿では、ほとんどのニューラルネットワークモデルの時間的一貫性を改善するために、効率的で直感的で教師なしのオンライン適応手法であるAuxAdaptを提案する。
論文 参考訳（メタデータ） (2021-10-24T07:07:41Z) - Towards Streaming Perception [70.68520310095155]
本稿では、リアルタイムオンライン知覚のための単一のメトリクスにレイテンシと精度を協調的に統合するアプローチを提案する。
この指標の背後にある重要な洞察は、瞬間ごとに認識スタック全体の出力を共同で評価することである。
本稿では,都市ビデオストリームにおけるオブジェクト検出とインスタンスセグメンテーションの具体的タスクに注目し,高品質で時間依存的なアノテーションを備えた新しいデータセットを寄贈する。
論文 参考訳（メタデータ） (2020-05-21T01:51:35Z) - Tracking Performance of Online Stochastic Learners [57.14673504239551]
オンラインアルゴリズムは、大規模なバッチにデータを保存したり処理したりすることなく、リアルタイムで更新を計算できるため、大規模な学習環境で人気がある。
一定のステップサイズを使用すると、これらのアルゴリズムはデータやモデル特性などの問題パラメータのドリフトに適応し、適切な精度で最適解を追跡する能力を持つ。
定常仮定に基づく定常状態性能とランダムウォークモデルによるオンライン学習者の追跡性能の関連性を確立する。
論文 参考訳（メタデータ） (2020-04-04T14:16:27Z)
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。