論文の概要: Interpretable Deep Tracking

• arxiv url: http://arxiv.org/abs/2210.01266v1
• Date: Mon, 3 Oct 2022 23:15:13 GMT
• ステータス: 処理完了
• システム内更新日: 2022-10-05 13:05:42.118734
• Title: Interpretable Deep Tracking
• Title（参考訳）: 解釈可能な深い追跡
• Authors: Benjamin Th\'erien and Krzysztof Czarnecki
• Abstract要約: 3D検出、多目的追跡、モーション予測における現在のエンドツーエンド最適化可能なディープニューラルネットワーク(DNN)は、それらの決定方法についてほとんど、あるいはまったく説明を提供しない。 我々は、最近提案されたインターチェンジ・インターチェンジ・トレーニング(IIT)にインスパイアされた、エンドツーエンドで最適化可能なマルチオブジェクト追跡アーキテクチャとトレーニングプロトコルを設計する。 異なるトラッキング決定と関連する推論手順を列挙することで、個別のネットワークをトレーニングして、ITIを介して可能な決定を推論することができる。
• 参考スコア（独自算出の注目度）: 11.462554246732683
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Imagine experiencing a crash as the passenger of an autonomous vehicle. Wouldn't you want to know why it happened? Current end-to-end optimizable deep neural networks (DNNs) in 3D detection, multi-object tracking, and motion forecasting provide little to no explanations about how they make their decisions. To help bridge this gap, we design an end-to-end optimizable multi-object tracking architecture and training protocol inspired by the recently proposed method of interchange intervention training (IIT). By enumerating different tracking decisions and associated reasoning procedures, we can train individual networks to reason about the possible decisions via IIT. Each network's decisions can be explained by the high-level structural causal model (SCM) it is trained in alignment with. Moreover, our proposed model learns to rank these outcomes, leveraging the promise of deep learning in end-to-end training, while being inherently interpretable.
• Abstract（参考訳）: 自動運転車の乗客としての事故を想像してみてください。 なぜそうなったのか知りたくありませんか。 3D検出、多目的追跡、モーション予測における現在のエンドツーエンド最適化可能なディープニューラルネットワーク(DNN)は、それらの決定方法についてほとんど、あるいはまったく説明を提供しない。 このギャップを埋めるために、我々は、最近提案されたインターチェンジ・インターチェンジ・トレーニング(IIT)にインスパイアされた、エンドツーエンドで最適化可能なマルチオブジェクト追跡アーキテクチャとトレーニングプロトコルを設計する。 異なるトラッキング決定と関連する推論手順を列挙することで、個別のネットワークをトレーニングして、ITIを介して可能な決定を推論することができる。 各ネットワークの決定は、トレーニングされた高レベルの構造因果モデル(SCM)によって説明できる。 さらに,本提案モデルでは,エンド・ツー・エンドトレーニングにおける深層学習の約束を生かして,これらの結果のランク付けを行う。

関連論文リスト

• MS-Net: A Multi-Path Sparse Model for Motion Prediction in Multi-Scenes [1.4451387915783602]
  マルチシーンネットワーク(Multi-Scenes Network、別名MS-Net)は、進化過程によって訓練されたマルチパススパースモデルである。 MS-Netは、推論段階でパラメータのサブセットを選択的に活性化し、各シーンの予測結果を生成する。 実験の結果,MS-Netは既存の歩行者行動予測データセットの最先端手法よりも優れていた。
  論文  参考訳（メタデータ） (2024-03-01T08:32:12Z)
• Towards Better Explanations for Object Detection [0.0]
  本稿では,D-CLOSEと呼ばれるオブジェクト検出モデルについて,その決定を説明する手法を提案する。 我々は,YOLOXモデルを用いてMS-COCOデータセットの試験を行い,本手法がD-RISEより優れていることを示す。
  論文  参考訳（メタデータ） (2023-06-05T09:52:05Z)
• DiffStack: A Differentiable and Modular Control Stack for Autonomous Vehicles [75.43355868143209]
  DiffStackは、予測、計画、制御のための、微分可能でモジュラーなスタックです。 nuScenesデータセットの結果から,DiffStackによるエンドツーエンドトレーニングは,オープンループおよびクローズループ計画の指標を大幅に改善することが示された。
  論文  参考訳（メタデータ） (2022-12-13T09:05:21Z)
• ALSO: Automotive Lidar Self-supervision by Occupancy estimation [70.70557577874155]
  本稿では,ポイントクラウド上で動作している深層知覚モデルのバックボーンを事前学習するための自己教師型手法を提案する。 中心となる考え方は、3Dポイントがサンプリングされる表面の再構成であるプリテキストタスクでモデルをトレーニングすることである。 直感的には、もしネットワークがわずかな入力ポイントのみを考慮し、シーン表面を再構築できるなら、おそらく意味情報の断片をキャプチャする。
  論文  参考訳（メタデータ） (2022-12-12T13:10:19Z)
• Federated Deep Learning Meets Autonomous Vehicle Perception: Design and Verification [168.67190934250868]
  フェデレーテッド・ラーニング・パワード・コネクテッド・オートモービル(FLCAV)が提案されている。 FLCAVは通信とアノテーションのコストを削減しながらプライバシを保存する。 マルチステージトレーニングのためのネットワークリソースと道路センサのポーズを決定することは困難である。
  論文  参考訳（メタデータ） (2022-06-03T23:55:45Z)
• LAP: An Attention-Based Module for Concept Based Self-Interpretation and Knowledge Injection in Convolutional Neural Networks [2.8948274245812327]
  本稿では,自己解釈性を実現するため,新しい注意型プール層であるLAP(Local Attention Pooling)を提案する。 LAPはどんな畳み込みニューラルネットワークにも簡単にプラグインできる。 LAPは一般的なホワイトボックスの説明法よりも、人間の理解しやすく忠実なモデル解釈を提供する。
  論文  参考訳（メタデータ） (2022-01-27T21:10:20Z)
• Deeply Explain CNN via Hierarchical Decomposition [75.01251659472584]
  コンピュータビジョンにおいて、CNNの説明に寄与するいくつかの手法は、中間的特徴がネットワーク予測にどのように影響するかを研究する。 本稿では,CNNの意思決定過程をトップダウンで説明する階層的な分解フレームワークを提案する。
  論文  参考訳（メタデータ） (2022-01-23T07:56:04Z)
• CLAN: Continuous Learning using Asynchronous Neuroevolution on Commodity Edge Devices [3.812706195714961]
  我々は、NeuroEvolutionary(NE)学習と推論を実行するWiFiを介して通信するRaspberry Piのプロトタイプシステムを構築した。 本研究では,このような協調システムの性能を評価し,システムの異なる配置の計算/通信特性について詳述する。
  論文  参考訳（メタデータ） (2020-08-27T01:49:21Z)
• Deep Learning for Ultra-Reliable and Low-Latency Communications in 6G Networks [84.2155885234293]
  まず,データ駆動型教師付き深層学習と深部強化学習をURLLCに適用する方法を概説する。 このようなオープンな問題に対処するために、デバイスインテリジェンス、エッジインテリジェンス、およびURLLCのためのクラウドインテリジェンスを可能にするマルチレベルアーキテクチャを開発した。
  論文  参考訳（メタデータ） (2020-02-22T14:38:11Z)
• Hold me tight! Influence of discriminative features on deep network boundaries [63.627760598441796]
  本稿では,データセットの特徴と,サンプルから決定境界までの距離を関連付ける新しい視点を提案する。 これにより、トレーニングサンプルの位置を慎重に調整し、大規模ビジョンデータセットでトレーニングされたCNNの境界における誘発された変化を測定することができる。
  論文  参考訳（メタデータ） (2020-02-15T09:29:36Z)

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。