論文の概要: Safety Metrics and Losses for Object Detection in Autonomous Driving
- arxiv url: http://arxiv.org/abs/2209.10368v1
- Date: Wed, 21 Sep 2022 14:03:08 GMT
- ステータス: 処理完了
- システム内更新日: 2022-09-22 15:14:56.743105
- Title: Safety Metrics and Losses for Object Detection in Autonomous Driving
- Title(参考訳): 自律運転における物体検出の安全基準と損失
- Authors: Hsuan-Cheng Liao, Chih-Hong Cheng, Hasan Esen, Alois Knoll
- Abstract要約: 自律運転における3次元物体検出器の安全性について考察する。
定式化中、画像上に投影された2次元境界ボックスと鳥の目視平面で3次元オブジェクトを抽象化することで、提案された安全要件に対して必要かつ十分な条件を実現できることが判明した。
連続的な改善のために、物体検出器をより高い安全性スコアに最適化するために使用できる安全損失を定式化する。
- 参考スコア(独自算出の注目度): 3.2259574483835673
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: State-of-the-art object detectors have been shown effective in many
applications. Usually, their performance is evaluated based on accuracy metrics
such as mean Average Precision. In this paper, we consider a safety property of
3D object detectors in the context of Autonomous Driving (AD). In particular,
we propose an essential safety requirement for object detectors in AD and
formulate it into a specification. During the formulation, we find that
abstracting 3D objects with projected 2D bounding boxes on the image and
bird's-eye-view planes allows for a necessary and sufficient condition to the
proposed safety requirement. We then leverage the analysis and derive
qualitative and quantitative safety metrics based on the
Intersection-over-Ground-Truth measure and a distance ratio between predictions
and ground truths. Finally, for continual improvement, we formulate safety
losses that can be used to optimize object detectors towards higher safety
scores. Our experiments with public models on the MMDetection3D library and the
nuScenes datasets demonstrate the validity of our consideration and proposals.
- Abstract(参考訳): 最先端の物体検出器は多くの用途で有効であることが示されている。
通常、その性能は平均精度などの精度の指標に基づいて評価される。
本稿では,自律運転(AD)の文脈における3次元物体検出器の安全性について考察する。
特に,ADにおけるオブジェクト検出に必須の安全性要件を提案し,それを仕様に定式化する。
3dオブジェクトを画像上に投影する2dバウンディングボックスとバードズ・アイ・ビュー平面で抽象化することで,提案する安全性要件に対して必要かつ十分な条件が得られている。
次に, 予測と地上真理間の距離比に基づいて, 分析と質的・定量的安全性指標の導出を行う。
最後に, 安全性向上のために, 物体検出器の安全性向上に向けての最適化に使用できる安全損失を定式化する。
MMDetection3DライブラリとnuScenesデータセットの公開モデルによる実験により,検討と提案の有効性が示された。
関連論文リスト
- Robustness-Aware 3D Object Detection in Autonomous Driving: A Review and
Outlook [20.380856953006592]
本研究は,現実シナリオ下での知覚システム評価において,精度と遅延とともに頑健性の重要性を強調した。
本研究は,カメラベース,LiDAR,マルチモーダル3Dオブジェクト検出アルゴリズムを広範囲に調査し,精度,レイテンシ,堅牢性のトレードオフを徹底的に評価する。
これらのうち、マルチモーダル3D検出手法は、優れた堅牢性を示し、新しい分類法を導入して、その文献を再編成し、明確性を高める。
論文 参考訳(メタデータ) (2024-01-12T12:35:45Z) - Instance-aware Multi-Camera 3D Object Detection with Structural Priors
Mining and Self-Boosting Learning [93.71280187657831]
カメラによる鳥眼視(BEV)知覚パラダイムは、自律運転分野において大きな進歩を遂げている。
画像平面のインスタンス認識をBEV検出器内の深度推定プロセスに統合するIA-BEVを提案する。
論文 参考訳(メタデータ) (2023-12-13T09:24:42Z) - GACE: Geometry Aware Confidence Enhancement for Black-Box 3D Object
Detectors on LiDAR-Data [13.426810473131642]
LiDARベースの3Dオブジェクト検出器は、信頼度推定において、オブジェクトの提案から容易に利用できる基本的な幾何学的情報を無視することが多い。
しかし、3Dでは、対象特性とその周辺を全体論的に考慮し、真と偽の正の検出を区別することが重要である。
我々は,所定のブラックボックス3Dオブジェクト検出器の信頼性評価を改善するための,直感的かつ高効率なGACEを提案する。
論文 参考訳(メタデータ) (2023-10-31T09:55:04Z) - Towards Building Self-Aware Object Detectors via Reliable Uncertainty
Quantification and Calibration [17.461451218469062]
本稿では,自己認識オブジェクト検出(SAOD)タスクを紹介する。
SAODタスクは、自律運転のような安全クリティカルな環境でオブジェクト検出器が直面する課題を尊重し、遵守する。
我々は、多数のオブジェクト検出器をテストするために、新しいメトリクスと大規模なテストデータセットを導入したフレームワークを広範囲に使用しています。
論文 参考訳(メタデータ) (2023-07-03T11:16:39Z) - Uncertainty-Aware AB3DMOT by Variational 3D Object Detection [95.42181254494287]
不確実性推定は統計的に正確な予測を提供する効果的なツールである。
本稿では,変分ニューラルネットワークを用いたTANet 3Dオブジェクト検出器を提案し,不確実性のある3Dオブジェクト検出を行う。
論文 参考訳(メタデータ) (2023-02-12T14:30:03Z) - CMR3D: Contextualized Multi-Stage Refinement for 3D Object Detection [57.44434974289945]
本稿では,3次元オブジェクト検出(CMR3D)フレームワークのためのコンテキスト型マルチステージリファインメントを提案する。
我々のフレームワークは3Dシーンを入力として取り、シーンの有用なコンテキスト情報を明示的に統合しようと試みている。
3Dオブジェクトの検出に加えて,3Dオブジェクトカウント問題に対するフレームワークの有効性について検討する。
論文 参考訳(メタデータ) (2022-09-13T05:26:09Z) - 3D Object Detection for Autonomous Driving: A Comprehensive Survey [48.30753402458884]
自動運転車の近くで重要な3Dオブジェクトの位置、サイズ、カテゴリをインテリジェントに予測する3Dオブジェクト検出は、認識システムの重要な部分である。
本稿では,自律運転における3次元物体検出技術の進歩を概観する。
論文 参考訳(メタデータ) (2022-06-19T19:43:11Z) - Evaluating Object (mis)Detection from a Safety and Reliability
Perspective: Discussion and Measures [1.8492669447784602]
本稿では,最も危険で運転決定に影響を及ぼす可能性が最も高い物体の正確な識別に報いる新しい物体検出手法を提案する。
我々は、最近の自律走行データセットnuScenesにモデルを適用し、9つの物体検出器を比較した。
その結果、いくつかの環境では、安全性と信頼性に重点を置いている場合、nuScenesランキングでベストに機能するオブジェクト検出器は好ましくないことが判明した。
論文 参考訳(メタデータ) (2022-03-04T09:31:20Z) - CertainNet: Sampling-free Uncertainty Estimation for Object Detection [65.28989536741658]
ニューラルネットワークの不確実性を推定することは、安全クリティカルな設定において基本的な役割を果たす。
本研究では,オブジェクト検出のための新しいサンプリング不要不確実性推定法を提案する。
私たちはそれをCertainNetと呼び、各出力信号に対して、オブジェクト性、クラス、位置、サイズという、別の不確実性を提供するのは、これが初めてです。
論文 参考訳(メタデータ) (2021-10-04T17:59:31Z) - SESS: Self-Ensembling Semi-Supervised 3D Object Detection [138.80825169240302]
具体的には、ラベルのない新しい未知のデータに基づくネットワークの一般化を促進するための、徹底的な摂動スキームを設計する。
我々のSESSは、50%のラベル付きデータを用いて、最先端の完全教師付き手法と比較して、競争性能を達成している。
論文 参考訳(メタデータ) (2019-12-26T08:48:04Z)
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。