論文の概要: Can Transformer Attention Spread Give Insights Into Uncertainty of
Detected and Tracked Objects?
- arxiv url: http://arxiv.org/abs/2210.14391v1
- Date: Wed, 26 Oct 2022 00:05:16 GMT
- ステータス: 処理完了
- システム内更新日: 2022-10-27 13:28:03.835985
- Title: Can Transformer Attention Spread Give Insights Into Uncertainty of
Detected and Tracked Objects?
- Title（参考訳）: トランスフォーマーの注意力は検出・追跡対象の不確実性に広まるか?
- Authors: Felicia Ruppel, Florian Faion, Claudius Gl\"aser, Klaus Dietmayer
- Abstract要約: トランスフォーマーは、最近、自律運転の文脈で物体の検出と追跡に利用されてきた。
これらのモデルのユニークな特徴の1つは、各前方通過で注意重みが計算されることである。
これらの注意重みがデコーダ層やトラックの寿命を通じてどのように変化するかを検討する。
- 参考スコア（独自算出の注目度）: 9.287964414592826
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Transformers have recently been utilized to perform object detection and
tracking in the context of autonomous driving. One unique characteristic of
these models is that attention weights are computed in each forward pass,
giving insights into the model's interior, in particular, which part of the
input data it deemed interesting for the given task. Such an attention matrix
with the input grid is available for each detected (or tracked) object in every
transformer decoder layer. In this work, we investigate the distribution of
these attention weights: How do they change through the decoder layers and
through the lifetime of a track? Can they be used to infer additional
information about an object, such as a detection uncertainty? Especially in
unstructured environments, or environments that were not common during
training, a reliable measure of detection uncertainty is crucial to decide
whether the system can still be trusted or not.
- Abstract（参考訳）: トランスフォーマーは、最近、自律運転の文脈で物体の検出と追跡に利用されている。
これらのモデルのユニークな特徴の1つは、各前方通過で注意重みが計算され、モデルの内部、特に与えられたタスクで興味深いと思われる入力データの一部について洞察を与えることである。
入力グリッドを持つこのような注意行列は、トランスデコーダ層ごとに検出された(または追跡された)オブジェクト毎に利用できる。
本研究では,これらの注意重みの分布について検討する。デコーダ層とトラックの寿命を通してどのように変化するか。
検出の不確実性など、オブジェクトに関する追加情報を推論するために使用できるか?
特に非構造化環境や訓練中に一般的でなかった環境では、システムがまだ信頼できるかどうかを判断するには、検出の不確かさの信頼できる尺度が不可欠である。
関連論文リスト
- Uncertainty Estimation for 3D Object Detection via Evidential Learning [63.61283174146648]
本稿では,3次元検出器における鳥の視線表示における明らかな学習損失を利用して,3次元物体検出の不確かさを定量化するためのフレームワークを提案する。
本研究では,これらの不確実性評価の有効性と重要性を,分布外シーンの特定,局所化の不十分な物体の発見,および(偽陰性)検出の欠如について示す。
論文 参考訳（メタデータ） (2024-10-31T13:13:32Z) - Localized Gaussians as Self-Attention Weights for Point Clouds Correspondence [92.07601770031236]
本稿では,エンコーダのみのトランスフォーマーアーキテクチャのアテンションヘッドにおける意味的意味パターンについて検討する。
注意重みの修正はトレーニングプロセスの促進だけでなく,最適化の安定性の向上にも寄与する。
論文 参考訳（メタデータ） (2024-09-20T07:41:47Z) - OOSTraj: Out-of-Sight Trajectory Prediction With Vision-Positioning Denoising [49.86409475232849]
軌道予測はコンピュータビジョンと自律運転の基本である。
この分野における既存のアプローチは、しばしば正確で完全な観測データを仮定する。
本稿では,視覚的位置決め技術を利用した視線外軌道予測手法を提案する。
論文 参考訳（メタデータ） (2024-04-02T18:30:29Z) - UncertaintyTrack: Exploiting Detection and Localization Uncertainty in Multi-Object Tracking [8.645078288584305]
マルチオブジェクトトラッキング(MOT)手法は近年,性能が大幅に向上している。
複数のTBDトラッカーに適用可能なエクステンションのコレクションであるUncertaintyTrackを紹介します。
バークレーディープドライブMOTデータセットの実験では、我々の手法と情報的不確実性推定の組み合わせにより、IDスイッチの数を約19%削減している。
論文 参考訳（メタデータ） (2024-02-19T17:27:04Z) - 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) - Focused Decoding Enables 3D Anatomical Detection by Transformers [64.36530874341666]
集束デコーダと呼ばれる3次元解剖学的構造検出のための新しい検出変換器を提案する。
Focused Decoderは、解剖学的領域のアトラスからの情報を活用して、クエリアンカーを同時にデプロイし、クロスアテンションの視野を制限する。
提案手法を利用可能な2つのCTデータセットに対して評価し、フォーカスドデコーダが強力な検出結果を提供するだけでなく、大量の注釈付きデータの必要性を軽減し、注意重みによる結果の例外的で直感的な説明性を示すことを示した。
論文 参考訳（メタデータ） (2022-07-21T22:17:21Z) - Transformers for Multi-Object Tracking on Point Clouds [9.287964414592826]
TransMOTは、新しいトランスフォーマーベースのトレーニング可能なオンライントラッカーで、ポイントクラウドデータのための検出器である。
このモデルはクロス・アンド・セルフ・アテンション・メカニズムを利用しており、自動車のコンテキストにおけるライダーデータに適用可能である。
提案したモデルは、Kalmanフィルタベースのトラッキングベースラインよりも優れている。
論文 参考訳（メタデータ） (2022-05-31T12:20:54Z) - Incorporating Data Uncertainty in Object Tracking Algorithms [2.3204178451683264]
物体追跡法は、通常、測定ノイズ、偽陽性率、発見率の欠落という形で測定誤差モデルに依存する。
ニューラルネット処理されたカメラ入力から生成された検出では、測定誤差統計はエラーの主原因を表すのに十分ではない。
本研究では,オブジェクトの追跡能力の向上など,データ不確実性をオブジェクト追跡手法に組み込むことについて検討する。
論文 参考訳（メタデータ） (2021-09-22T05:30:46Z) - On the Role of Sensor Fusion for Object Detection in Future Vehicular
Networks [25.838878314196375]
異なるセンサの組み合わせが車両の移動・運転環境の検出にどのように影響するかを評価します。
最終的な目標は、チャネルに分散するデータの量を最小限に抑える最適な設定を特定することです。
論文 参考訳（メタデータ） (2021-04-23T18:58:37Z) - Exploiting Playbacks in Unsupervised Domain Adaptation for 3D Object
Detection [55.12894776039135]
ディープラーニングに基づく最先端の3Dオブジェクト検出器は、有望な精度を示しているが、ドメインの慣用性に過度に適合する傾向がある。
対象領域の擬似ラベルの検出器を微調整することで,このギャップを大幅に削減する新たな学習手法を提案する。
5つの自律運転データセットにおいて、これらの擬似ラベル上の検出器を微調整することで、新しい運転環境への領域ギャップを大幅に減らすことを示す。
論文 参考訳（メタデータ） (2021-03-26T01:18:11Z) - Online Monitoring of Object Detection Performance During Deployment [6.166295570030645]
入力フレームのスライディングウィンドウ上での平均平均精度(mAP)を予測し,対象検出器の性能を監視するカスケードニューラルネットワークを提案する。
我々は、自律走行データセットと物体検出装置の異なる組み合わせを用いて、提案手法の評価を行った。
論文 参考訳（メタデータ） (2020-11-16T07:01:43Z)
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。