論文の概要: Towards Greener Solutions for Steering Angle Prediction
- arxiv url: http://arxiv.org/abs/2211.11133v1
- Date: Mon, 21 Nov 2022 00:38:59 GMT
- ステータス: 処理完了
- システム内更新日: 2022-11-22 20:43:54.905099
- Title: Towards Greener Solutions for Steering Angle Prediction
- Title(参考訳): 操舵角予測のためのよりグリーンな解法に向けて
- Authors: Jeremy C. Hagler, David J. Lamb, Qing Tian
- Abstract要約: 操舵角度予測の自律運転タスクにおいて, 深部ニューラルネットワークアーキテクチャの最も一般的な2つのファミリについて検討する。
結果を比較するために、ResNetとInceptionNetのさまざまなサイズについて検討する。
我々の導出したモデルは、操舵角度MSEの観点で最先端の結果を得ることができる。
- 参考スコア(独自算出の注目度): 2.7393821783237184
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: In this paper, we investigate the two most popular families of deep neural
architectures (i.e., ResNets and Inception nets) for the autonomous driving
task of steering angle prediction. This work provides preliminary evidence that
Inception architectures can perform as well or better than ResNet architectures
with less complexity for the autonomous driving task. Primary motivation
includes support for further research in smaller, more efficient neural network
architectures such that can not only accomplish complex tasks, such as steering
angle predictions, but also produce less carbon emissions, or, more succinctly,
neural networks that are more environmentally friendly. We look at various
sizes of ResNet and InceptionNet models to compare results. Our derived models
can achieve state-of-the-art results in terms of steering angle MSE.
- Abstract(参考訳): 本稿では,操舵角予測の自律運転タスクにおいて,ディープニューラルアーキテクチャ(resnetsとinception nets)の2つの最もポピュラーなファミリーについて検討する。
この研究は、インセプションアーキテクチャが、自動運転タスクの複雑さの少ないresnetアーキテクチャよりも性能が良い、あるいは優れているという予備的な証拠を提供する。
主な動機には、ステアリングアングル予測のような複雑なタスクを達成できるだけでなく、二酸化炭素排出量の削減や、より環境にやさしいニューラルネットワークの実現など、より小さく、より効率的なニューラルネットワークアーキテクチャに関するさらなる研究のサポートが含まれている。
結果を比較するために、resnetとinceptionnetモデルのさまざまなサイズを調べます。
我々の導出したモデルは、操舵角度MSEの観点で最先端の結果を得ることができる。
関連論文リスト
- Mitigating Reward Hacking via Information-Theoretic Reward Modeling [70.26019860948114]
本稿では,報酬モデリングのための汎用的で堅牢なフレームワークであるInfoRMを提案する。
我々は,潜伏空間における過最適化と外れ値の相関を同定し,報酬過最適化を検出するための有望なツールとしてInfoRMを確立した。
論文 参考訳(メタデータ) (2024-02-14T17:49:07Z) - Conservative Prediction via Data-Driven Confidence Minimization [66.35245313125934]
機械学習モデルのエラーは、特に医療のような安全クリティカルな領域では、コストがかかる。
本稿では、不確実性データセットに対する信頼性を最小化するデータ駆動型信頼性最小化(DCM)を提案する。
実験の結果、DCMは8つのID-OODデータセットペアに対して、最先端のOOD検出方法よりも一貫して優れていることがわかった。
論文 参考訳(メタデータ) (2023-06-08T07:05:36Z) - A Unifying Framework of Attention-based Neural Load Forecasting [6.470432799969585]
負荷予測のための統合型ディープラーニングフレームワークを提案する。
これには、時間的な特徴重み付け、階層的時間的注意、特徴強化エラー修正が含まれる。
我々のフレームワークは、電力負荷予測問題に対する効果的な解決策を提供する。
論文 参考訳(メタデータ) (2023-05-08T22:46:54Z) - ARBEx: Attentive Feature Extraction with Reliability Balancing for
Robust Facial Expression Learning [1.9844265130823329]
ARBExはVision Transformerによって駆動される新しい注意的特徴抽出フレームワークである。
ラベル分布とマルチヘッド自己保持機構を備えた埋め込み空間において学習可能なアンカーポイントを用いて、弱い予測に対する性能を最適化する。
我々の戦略は、様々な文脈で実施された広範な実験により、現在の最先端の方法論よりも優れています。
論文 参考訳(メタデータ) (2023-05-02T15:10:01Z) - A Computer Vision Enabled damage detection model with improved YOLOv5
based on Transformer Prediction Head [0.0]
現在の最先端ディープラーニング(DL)に基づく損傷検出モデルは、複雑でノイズの多い環境では優れた特徴抽出能力を欠いていることが多い。
DenseSPH-YOLOv5は、DenseNetブロックをバックボーンに統合したリアルタイムDLベースの高性能損傷検出モデルである。
DenseSPH-YOLOv5は平均平均精度(mAP)が85.25%、F1スコアが81.18%、精度(P)が89.51%である。
論文 参考訳(メタデータ) (2023-03-07T22:53:36Z) - Is my Driver Observation Model Overconfident? Input-guided Calibration
Networks for Reliable and Interpretable Confidence Estimates [23.449073032842076]
運転観察モデルは完璧な条件下で展開されることは滅多にない。
生のニューラルネットワークベースのアプローチは、予測品質を大幅に過大評価する傾向がある。
本稿では,CARing(Callibrated Action Recognition with Input Guidance)という,ビデオ表現による信頼度向上学習のためのニューラルネットワークを活用した新しいアプローチを提案する。
論文 参考訳(メタデータ) (2022-04-10T12:43:58Z) - Human Parity on CommonsenseQA: Augmenting Self-Attention with External
Attention [66.93307963324834]
本稿では,外部の知識や状況に配慮した外部アテンション機構を備えたトランスフォーマーアーキテクチャの強化を提案する。
提案した外部注意機構は,既存のAIシステムの性能を大幅に向上させることができる。
提案システムは、オープンなCommonsenseQA研究ベンチマークにおいて、89.4%の精度で人間に匹敵する88.9%の精度で人間に匹敵する。
論文 参考訳(メタデータ) (2021-12-06T18:59:02Z) - Alignment Attention by Matching Key and Query Distributions [48.93793773929006]
本稿では,各ヘッダ内のキーとクエリの分布を一致させる自己注意を促すアライメントアテンションアテンションアテンションアテンションアテンションを導入している。
事前学習したモデルを含む自己注意のモデルはすべて、提案したアライメントアテンションアテンションアテンションに変換することが簡単である。
様々な言語理解タスクにおいて, 精度, 不確実性推定, ドメイン間の一般化, 敵攻撃に対する堅牢性などの手法の有効性を示す。
論文 参考訳(メタデータ) (2021-10-25T00:54:57Z) - Bayesian Attention Belief Networks [59.183311769616466]
注意に基づくニューラルネットワークは、幅広いタスクにおいて最先端の結果を得た。
本稿では,非正規化注意重みをモデル化してデコーダネットワークを構築するベイズ的注意信念ネットワークについて紹介する。
提案手法は, 精度, 不確実性推定, ドメイン間の一般化, 敵攻撃において, 決定論的注意と最先端の注意よりも優れていることを示す。
論文 参考訳(メタデータ) (2021-06-09T17:46:22Z) - Data-Informed Global Sparseness in Attention Mechanisms for Deep Neural
Networks [24.02184854949444]
本研究では,アテンション・プルーニング(Attention Pruning,AP)を提案する。これは,固定されたデータセットにおける注意パターンの観測を収集し,そのモデルに対するグローバルなスパースネスマスクを誘導するフレームワークである。
APは、言語モデリングの注意計算の90%を節約し、機械翻訳やGLUEタスクの約50%を処理し、結果の品質を維持している。
我々のフレームワークは原則として、アテンションメカニズムを使用するモデルなら何でもスピードアップできるので、既存のNLPアプリケーションや新しいNLPアプリケーションのためにより良いモデルを開発するのに役立ちます。
論文 参考訳(メタデータ) (2020-11-20T13:58:21Z) - Accurate and Robust Feature Importance Estimation under Distribution
Shifts [49.58991359544005]
PRoFILEは、新しい特徴重要度推定法である。
忠実さと頑健さの両面で、最先端のアプローチよりも大幅に改善されていることを示す。
論文 参考訳(メタデータ) (2020-09-30T05:29:01Z)
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。