論文の概要: CLAD: A realistic Continual Learning benchmark for Autonomous Driving
- arxiv url: http://arxiv.org/abs/2210.03482v1
- Date: Fri, 7 Oct 2022 12:08:25 GMT
- ステータス: 処理完了
- システム内更新日: 2022-10-10 13:26:06.117167
- Title: CLAD: A realistic Continual Learning benchmark for Autonomous Driving
- Title(参考訳): CLAD: 自律運転のための現実的な連続学習ベンチマーク
- Authors: Eli Verwimp, Kuo Yang, Sarah Parisot, Hong Lanqing, Steven McDonagh,
Eduardo P\'erez-Pellitero, Matthias De Lange and Tinne Tuytelaars
- Abstract要約: 本稿では、自動運転のための新しい連続学習ベンチマークを動機づける設計とアイデアについて述べる。
ベンチマークでは、先日リリースされた大規模なデータセットであるSODA10Mが使用されている。
CLAD-Cは、クラスとドメインの漸進的な課題を生じさせる時系列データストリームを通じて実現されたオンライン分類ベンチマークである。
ICCV 2021のCLAD-Challengeワークショップにおいて,トップ3の参加者が使用するテクニックと手法を調査し,ベンチマークがもたらす課題と課題について検討した。
- 参考スコア(独自算出の注目度): 33.95470797472666
- License: http://creativecommons.org/licenses/by-nc-nd/4.0/
- Abstract: In this paper we describe the design and the ideas motivating a new Continual
Learning benchmark for Autonomous Driving (CLAD), that focuses on the problems
of object classification and object detection. The benchmark utilises SODA10M,
a recently released large-scale dataset that concerns autonomous driving
related problems. First, we review and discuss existing continual learning
benchmarks, how they are related, and show that most are extreme cases of
continual learning. To this end, we survey the benchmarks used in continual
learning papers at three highly ranked computer vision conferences. Next, we
introduce CLAD-C, an online classification benchmark realised through a
chronological data stream that poses both class and domain incremental
challenges; and CLAD-D, a domain incremental continual object detection
benchmark. We examine the inherent difficulties and challenges posed by the
benchmark, through a survey of the techniques and methods used by the top-3
participants in a CLAD-challenge workshop at ICCV 2021. We conclude with
possible pathways to improve the current continual learning state of the art,
and which directions we deem promising for future research.
- Abstract(参考訳): 本稿では、オブジェクト分類とオブジェクト検出の問題に焦点を当てた、新しいCLAD(Continual Learning benchmark for Autonomous Driving)の動機となる設計とアイデアについて述べる。
このベンチマークは、最近リリースされた大規模なデータセットであるSODA10Mを利用している。
まず,既存の連続学習ベンチマークをレビューし,その関連性について考察し,その多くが連続学習の極端な事例であることを示す。
そこで,我々は3つの高度コンピュータビジョンカンファレンスで,連続学習論文に使用されるベンチマークを調査した。
次に、クラスとドメインのインクリメンタルな課題を提起する時系列データストリームを通じて実現されるオンライン分類ベンチマークであるclad-cと、ドメインインクリメンタル連続オブジェクト検出ベンチマークであるclad-dを紹介する。
ICCV 2021のCLAD-Challengeワークショップにおいて,トップ3の参加者が使用するテクニックと手法を調査し,ベンチマークがもたらす課題と課題について検討した。
今後の研究に期待するべき方向性について検討し,現状の継続的な学習状況を改善するための道筋をたどる。
関連論文リスト
- Deep Learning-Based Object Pose Estimation: A Comprehensive Survey [73.74933379151419]
ディープラーニングに基づくオブジェクトポーズ推定の最近の進歩について論じる。
また、複数の入力データモダリティ、出力ポーズの自由度、オブジェクト特性、下流タスクについても調査した。
論文 参考訳(メタデータ) (2024-05-13T14:44:22Z) - Multi-Label Continual Learning for the Medical Domain: A Novel Benchmark [47.52603262576663]
一つのフレームワークにおける新しいクラス到着とドメインシフトの課題を組み合わせた新しいベンチマークを提案する。
本ベンチマークは,医療画像における多ラベル分類問題に対する現実的なCL設定をモデル化することを目的とする。
論文 参考訳(メタデータ) (2024-04-10T09:35:36Z) - Self-Supervised Multi-Object Tracking For Autonomous Driving From
Consistency Across Timescales [53.55369862746357]
自己管理型マルチオブジェクトトラッカーは、生のドメイン固有データから学習できるという大きな可能性を秘めている。
しかし、その再識別精度は、監督対象よりも低い。
本稿では,複数の連続フレームから再同定特徴を自己教師付きで学習できる学習目標を提案する。
論文 参考訳(メタデータ) (2023-04-25T20:47:29Z) - NEVIS'22: A Stream of 100 Tasks Sampled from 30 Years of Computer Vision
Research [96.53307645791179]
我々は,100以上の視覚的分類タスクのストリームからなるベンチマークであるNever-Ending VIsual-classification Stream (NEVIS'22)を紹介する。
分類に制限されているにもかかわらず、OCR、テクスチャ分析、シーン認識など、様々なタスクが生成される。
NEVIS'22は、タスクの規模と多様性のために、現在のシーケンシャルな学習アプローチに対して前例のない課題を提起している。
論文 参考訳(メタデータ) (2022-11-15T18:57:46Z) - Continual Learning for Human State Monitoring [20.8311956676327]
人体状態モニタリングのための新しいCLベンチマークを2つ提案する。
我々は、新しい科目が継続的に追加される現実世界の環境を反映するベンチマークを慎重に設計した。
ベンチマークの結果から,一般的なCL戦略が,忘れを軽減できるかどうかを実証的に評価した。
論文 参考訳(メタデータ) (2022-06-29T19:23:13Z) - Continual Object Detection: A review of definitions, strategies, and
challenges [0.0]
連続学習の分野は、以前に学習したタスクのパフォーマンスを損なうことなく連続的なタスクを学習する能力を調べる。
我々は、ロボット工学や自動運転車における幅広い応用のために、連続物体検出の研究がさらに注目に値すると考えている。
論文 参考訳(メタデータ) (2022-05-30T21:57:48Z) - vCLIMB: A Novel Video Class Incremental Learning Benchmark [53.90485760679411]
本稿では,ビデオ連続学習ベンチマークvCLIMBを紹介する。
vCLIMBは、ビデオ連続学習における深層モデルの破滅的な忘れを解析するための標準化されたテストベッドである。
本稿では,メモリベース連続学習法に適用可能な時間的整合性正規化を提案する。
論文 参考訳(メタデータ) (2022-01-23T22:14:17Z) - International Workshop on Continual Semi-Supervised Learning:
Introduction, Benchmarks and Baselines [20.852277473776617]
本研究の目的は,CSSL(Continuous semi-supervised learning)パラダイムを定式化することである。
本稿では、2つの重要なコンピュータビジョンタスクでCSSLを評価するために特別に設計された2つの新しいベンチマークを紹介する。
本稿では,これらのベンチマーク上に構築されたCAR(Continuous Activity Recognition)とCCC(Continuous Crowd Counting)の課題について述べる。
論文 参考訳(メタデータ) (2021-10-27T17:34:40Z) - CVPR 2020 Continual Learning in Computer Vision Competition: Approaches,
Results, Current Challenges and Future Directions [25.791936837340877]
2020年にCVPRで行われた最初の連続学習コンピュータビジョンチャレンジは、異なる連続学習アルゴリズムを評価する最初の機会の1つである。
優勝チームは79チーム以上、ファイナリストは11チーム、賞金は2300ドルだった。
論文 参考訳(メタデータ) (2020-09-14T08:53:05Z) - Self-supervised Video Object Segmentation [76.83567326586162]
本研究の目的は、半教師付きビデオオブジェクトセグメンテーション(高密度トラッキング)の解決を目的とした自己教師付き表現学習である。
i) 従来の自己教師型アプローチを改善すること、(ii) オンライン適応モジュールによる自己教師型アプローチの強化により、空間的時間的不連続性によるトラッカーのドリフトを緩和すること、(iv) DAVIS-2017とYouTubeの自己教師型アプローチで最先端の結果を示すこと、などが提案されている。
論文 参考訳(メタデータ) (2020-06-22T17:55:59Z)
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。