論文の概要: PeSOTIF: a Challenging Visual Dataset for Perception SOTIF Problems in
Long-tail Traffic Scenarios
- arxiv url: http://arxiv.org/abs/2211.03402v1
- Date: Mon, 7 Nov 2022 10:07:30 GMT
- ステータス: 処理完了
- システム内更新日: 2022-11-08 17:29:37.295927
- Title: PeSOTIF: a Challenging Visual Dataset for Perception SOTIF Problems in
Long-tail Traffic Scenarios
- Title(参考訳): PeSOTIF: 長距離交通シナリオにおけるSOTIF問題認識用ビジュアルデータセット
- Authors: Liang Peng, Jun Li, Wenbo Shao, and Hong Wang
- Abstract要約: 本稿では,複数の資源から収集した長距離交通シナリオの高品質なデータセットを提供する。
確率的オブジェクト検出(POD)の開発を考えると、このデータセットは、シナリオ内のSOTIF問題をキーオブジェクトとして認識する原因となるかもしれないトリガー源を示す。
本稿では、このデータセットをSOTIF研究に活用する方法を示すために、SOTIFエントロピーの知覚を定量化し、シナリオが未知であり、認識システムに安全でないかどうかを確認する。
- 参考スコア(独自算出の注目度): 12.17821905210185
- License: http://creativecommons.org/licenses/by-nc-sa/4.0/
- Abstract: Perception algorithms in autonomous driving systems confront great challenges
in long-tail traffic scenarios, where the problems of Safety of the Intended
Functionality (SOTIF) could be triggered by the algorithm performance
insufficiencies and dynamic operational environment. However, such scenarios
are not systematically included in current open-source datasets, and this paper
fills the gap accordingly. Based on the analysis and enumeration of trigger
conditions, a high-quality diverse dataset is released, including various
long-tail traffic scenarios collected from multiple resources. Considering the
development of probabilistic object detection (POD), this dataset marks trigger
sources that may cause perception SOTIF problems in the scenarios as key
objects. In addition, an evaluation protocol is suggested to verify the
effectiveness of POD algorithms in identifying the key objects via uncertainty.
The dataset never stops expanding, and the first batch of open-source data
includes 1126 frames with an average of 2.27 key objects and 2.47 normal
objects in each frame. To demonstrate how to use this dataset for SOTIF
research, this paper further quantifies the perception SOTIF entropy to confirm
whether a scenario is unknown and unsafe for a perception system. The
experimental results show that the quantified entropy can effectively and
efficiently reflect the failure of the perception algorithm.
- Abstract(参考訳): 自律運転システムにおける認識アルゴリズムは、アルゴリズム性能の欠如と動的運用環境によってSOTIF(Safety of the Intended Functionality)の問題が引き起こされるような、長距離交通シナリオにおいて大きな課題に直面している。
しかし、このようなシナリオは現在のオープンソースデータセットには体系的に含まれておらず、そのギャップを埋める。
トリガ条件の分析と列挙に基づいて、複数のリソースから収集された様々なロングテールトラフィックシナリオを含む高品質な多様なデータセットがリリースされる。
確率的オブジェクト検出(POD)の開発を考えると、このデータセットは、シナリオ内のSOTIF問題をキーオブジェクトとして知覚する引き金源をマークする。
さらに,不確実性による鍵オブジェクトの識別におけるPODアルゴリズムの有効性を検証するための評価プロトコルを提案する。
データセットは拡張を停止せず、最初のオープンソースデータは、平均2.27のキーオブジェクトと2.47のノーマルオブジェクトを持つ1126のフレームを含む。
本稿では、このデータセットをSOTIF研究に活用する方法を示すために、SOTIFエントロピーの知覚を定量化し、シナリオが未知であり、認識システムに安全でないかどうかを確認する。
実験の結果,定量化エントロピーは知覚アルゴリズムの故障を効果的かつ効率的に反映できることがわかった。
関連論文リスト
- CESNET-TimeSeries24: Time Series Dataset for Network Traffic Anomaly Detection and Forecasting [0.0]
本書では,ネットワークエンティティの動作の時系列データを構成するデータセットを紹介する。
データセットは、275万のアクティブIPアドレスの40週間のネットワークトラフィックから作成されました。
予測に基づく異常検出アプローチの実践的展開に関する貴重な洞察を提供する。
論文 参考訳(メタデータ) (2024-09-27T16:10:11Z) - Comparing Optical Flow and Deep Learning to Enable Computationally Efficient Traffic Event Detection with Space-Filling Curves [0.6322312717516407]
我々は,OF(Optical Flow)とDL(Deep Learning)を比較し,前方の車載カメラからの映像データに対して,空間充填曲線による計算効率の高いイベント検出を行う。
以上の結果から,OFアプローチは特異性に優れ,偽陽性を低減し,DLアプローチは優れた感度を示した。
論文 参考訳(メタデータ) (2024-07-15T13:44:52Z) - Run-time Introspection of 2D Object Detection in Automated Driving
Systems Using Learning Representations [13.529124221397822]
ディープニューラルネットワーク(DNN)に基づく2次元物体検出のための新しいイントロスペクションソリューションを提案する。
KITTIとBDDのデータセットで評価された1段階および2段階のオブジェクト検出器を用いて,2次元オブジェクト検出におけるエラー検出のためのSOTAイントロスペクション機構を実装した。
性能評価の結果,提案手法はSOTA法より優れており,BDDデータセットのエラー率を9%から17%まで絶対的に削減できることがわかった。
論文 参考訳(メタデータ) (2024-03-02T10:56:14Z) - Privacy-preserving Federated Primal-dual Learning for Non-convex and Non-smooth Problems with Model Sparsification [51.04894019092156]
FL(Federated Learning)は,FLオーケストレーション(PS)の下でクライアント上でモデルをトレーニングする,急速に成長する領域として認識されている。
本稿では,非滑らかなFL問題に対して,新しい一次分離アルゴリズムを提案し,保証する。
その独特な洞察力のある性質とその分析も提示される。
論文 参考訳(メタデータ) (2023-10-30T14:15:47Z) - Sequential Attention Source Identification Based on Feature
Representation [88.05527934953311]
本稿では,テンポラルシーケンスに基づくグラフ注意源同定(TGASI)と呼ばれるシーケンス・ツー・シーケンス・ベースのローカライズ・フレームワークを提案する。
なお、このインダクティブラーニングのアイデアは、TGASIが他の事前の知識を知らずに新しいシナリオのソースを検出できることを保証する。
論文 参考訳(メタデータ) (2023-06-28T03:00:28Z) - Cluster-level pseudo-labelling for source-free cross-domain facial
expression recognition [94.56304526014875]
表情認識のためのSFUDA法を提案する。
本手法は,自己教師付き事前学習を利用して,対象データから優れた特徴表現を学習する。
提案手法の有効性を4つの適応方式で検証し,FERに適用した場合,既存のSFUDA法より一貫して優れていることを示す。
論文 参考訳(メタデータ) (2022-10-11T08:24:50Z) - Causal Discovery from Sparse Time-Series Data Using Echo State Network [0.0]
時系列データ間の因果関係の発見は、症状の原因の診断に役立つ。
本稿では,2つの部分から構成される新しいシステムを提案する。第1部はガウスプロセス回帰を,第2部はエコー状態ネットワークを活用する。
本稿では,対応するマシューズ相関係数 (MCC) と受信器動作特性曲線 (ROC) について報告する。
論文 参考訳(メタデータ) (2022-01-09T05:55:47Z) - Efficient Online Estimation of Causal Effects by Deciding What to
Observe [26.222870185443913]
確率モデル(例えば因果効果)の任意の機能(例えば、因果効果)を可能な限り効率的に推定し、どのデータソースを問合せするかを各タイミングで決定することを目的としている。
モーメント条件として構造的仮定を符号化するフレームワークであるオンラインモーメント選択(OMS)を提案する。
我々のアルゴリズムは、現在のモーメントの推定値から示唆される最良の行動を選択することで探索のバランスをとる。
論文 参考訳(メタデータ) (2021-08-20T17:00:56Z) - Multi-Source Causal Inference Using Control Variates [81.57072928775509]
本稿では,複数のデータソースから因果効果を推定するアルゴリズムを提案する。
理論的には、これはATE推定値の分散を減少させる。
このフレームワークを結果選択バイアスの下で観測データからの推論に適用する。
論文 参考訳(メタデータ) (2021-03-30T21:20:51Z) - High Dimensional Level Set Estimation with Bayesian Neural Network [58.684954492439424]
本稿では,ベイズニューラルネットワークを用いた高次元レベル集合推定問題を解く新しい手法を提案する。
各問題に対して対応する理論情報に基づく取得関数を導出してデータポイントをサンプリングする。
合成データセットと実世界データセットの数値実験により,提案手法は既存手法よりも優れた結果が得られることが示された。
論文 参考訳(メタデータ) (2020-12-17T23:21:53Z) - FairMOT: On the Fairness of Detection and Re-Identification in Multiple
Object Tracking [92.48078680697311]
マルチオブジェクトトラッキング(MOT)はコンピュータビジョンにおいて重要な問題である。
本稿では,FairMOTと呼ばれる,アンカーフリーなオブジェクト検出アーキテクチャCenterNetをベースとした,シンプルかつ効果的なアプローチを提案する。
このアプローチは、検出と追跡の両方において高い精度を達成する。
論文 参考訳(メタデータ) (2020-04-04T08:18:00Z)
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。