論文の概要: Uncertainty Reduction for 3D Point Cloud Self-Supervised Traversability Estimation

• arxiv url: http://arxiv.org/abs/2211.11201v1
• Date: Mon, 21 Nov 2022 06:24:41 GMT
• ステータス: 処理完了
• システム内更新日: 2022-11-22 22:38:17.138973
• Title: Uncertainty Reduction for 3D Point Cloud Self-Supervised Traversability Estimation
• Title（参考訳）: 3次元点群自己監督トラバーサビリティ推定の不確かさ低減
• Authors: Jihwan Bae, Junwon Seo, Taekyung Kim, Hae-gon Jeon, Kiho Kwak and Inwook Shim
• Abstract要約: 自己監督的トラバーサビリティ推定は、陰性情報の不足に応じて現れる先天性不確実性に悩まされる。 不確実性を活用するために,ラベルのないデータを組み込む手法を提案する。 我々は、我々のアプローチを、さまざまな負のデータからなる独自のデータセットであるDtrailで評価する。
• 参考スコア（独自算出の注目度）: 17.193700394066266
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Traversability estimation in off-road environments requires a robust perception system. Recently, approaches to learning a traversability estimation from past vehicle experiences in a self-supervised manner are arising as they can greatly reduce human labeling costs and labeling errors. Nonetheless, the learning setting from self-supervised traversability estimation suffers from congenital uncertainties that appear according to the scarcity of negative information. Negative data are rarely harvested as the system can be severely damaged while logging the data. To mitigate the uncertainty, we introduce a method to incorporate unlabeled data in order to leverage the uncertainty. First, we design a learning architecture that inputs query and support data. Second, unlabeled data are assigned based on the proximity in the metric space. Third, a new metric for uncertainty measures is introduced. We evaluated our approach on our own dataset, `Dtrail', which is composed of a wide variety of negative data.
• Abstract（参考訳）: オフロード環境におけるトラバーサビリティ推定にはロバストな知覚システムが必要である。 近年,過去の自動車体験を自己監督的に学習する手法は,人間のラベル付けコストを大幅に削減し,ラベル付け誤差を低減できる。 それにもかかわらず、自己教師付きトラバーサビリティ推定からの学習設定は、負の情報不足に応じて現れる先天的な不確実性に苦しむ。 負のデータは、データをロギングしながらシステムに深刻な損傷を与えるため、まれに回収される。 不確実性を軽減するため,不確実性を活用するためにラベルのないデータを組み込む手法を提案する。 まず、クエリを入力し、データをサポートする学習アーキテクチャを設計する。 第2に、距離空間の近接性に基づいてラベルなしデータを割り当てる。 第3に,不確実性尺度の新たな指標が導入された。 我々は、我々のアプローチを、さまざまな否定データからなる独自のデータセットである 'Dtrail' で評価した。

関連論文リスト

• Mitigating Distributional Shift in Semantic Segmentation via Uncertainty Estimation from Unlabelled Data [19.000718685399935]
  本研究では,1回のフォワードパスで追加のアノテーションを使わずに,テストドメインの挑戦によるエラーを検出するセグメンテーションネットワークを提案する。 我々は、データ拡張に対する一貫性を強制することによって、不確実性推定を選択的に行うことを学ぶために、簡単で不正確で不確実なデータを使用する。 提案手法はGamma-SSLと名付けられ,不確実性推定とOoD(Out-of-Distribution)技術より一貫して優れている。
  論文  参考訳（メタデータ） (2024-02-27T16:23:11Z)
• Credible Teacher for Semi-Supervised Object Detection in Open Scene [106.25850299007674]
  Open Scene Semi-Supervised Object Detection (O-SSOD)では、ラベル付きデータはラベル付きデータで観測されていない未知のオブジェクトを含む可能性がある。 より不確実性が、偽ラベルのローカライズと分類精度の低下につながるため、主に自己学習に依存する現在の手法には有害である。 我々は,不確実な擬似ラベルがモデルに誤解をもたらすのを防ぐための,エンドツーエンドのフレームワークであるCredible Teacherを提案する。
  論文  参考訳（メタデータ） (2024-01-01T08:19:21Z)
• Uncertainty in Graph Contrastive Learning with Bayesian Neural Networks [101.56637264703058]
  変分ベイズニューラルネットワークは不確実性推定を改善するために有効であることを示す。 比較学習における不確実性の新たな尺度を提案するが、これは異なる正のサンプルによる可能性の相違に基づくものである。
  論文  参考訳（メタデータ） (2023-11-30T22:32:24Z)
• Estimating Uncertainty in Landslide Segmentation Models [7.537865319452023]
  地すべりは、繰り返し発生し、広範囲にわたる危険である。準備と緩和の努力は、世界規模でリスクの高い地域をカバーする高品質で大規模なデータセットによって助けられる。 近年,衛星画像からの地すべりセグメンテーションのためのディープラーニングモデルに焦点が当てられている。 高精度でロバストな不確実性推定は、自動生成した地すべりデータベースの低コストな監視を可能にし、エラーを解決し、厳しい負の例を特定し、ラベル付きトレーニングデータのサイズを増やすことができる。
  論文  参考訳（メタデータ） (2023-11-18T18:18:33Z)
• Binary Classification with Confidence Difference [100.08818204756093]
  本稿では,信頼性差分法 (ConfDiff) という,弱教師付き二項分類問題について考察する。 本稿では,この問題に対処するためのリスク一貫性のあるアプローチを提案し,推定誤差が最適収束率と一致することを示す。 また,整合性や収束率も証明されたオーバーフィッティング問題を緩和するためのリスク補正手法も導入する。
  論文  参考訳（メタデータ） (2023-10-09T11:44:50Z)
• Conservative Prediction via Data-Driven Confidence Minimization [70.93946578046003]
  機械学習の安全性クリティカルな応用においては、モデルが保守的であることが望ましいことが多い。 本研究では,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信頼性最小化フレームワークを提案する。
  論文  参考訳（メタデータ） (2023-06-08T07:05:36Z)
• Adaptive Negative Evidential Deep Learning for Open-set Semi-supervised Learning [69.81438976273866]
  オープンセット半教師付き学習(Open-set SSL)は、ラベル付きデータ(inliers)で観測されない新しいカテゴリ(outliers)を含むラベル付きデータとテストデータを含む、より実践的なシナリオである。 本研究では,様々な不確かさを定量化するための外乱検出器として顕在的深層学習(EDL)を導入し,自己学習と推論のための異なる不確実性指標を設計する。 Inlierとoutlierの両方を含むラベルなしデータセットに適合するように、新しい適応的負の最適化戦略を提案する。
  論文  参考訳（メタデータ） (2023-03-21T09:07:15Z)
• Training Uncertainty-Aware Classifiers with Conformalized Deep Learning [7.837881800517111]
  ディープニューラルネットワークは、データ内の隠れパターンを検出し、それらを活用して予測する強力なツールであるが、不確実性を理解するように設計されていない。 我々は予測力を犠牲にすることなく、より信頼性の高い不確実性推定を導出できる新しいトレーニングアルゴリズムを開発した。
  論文  参考訳（メタデータ） (2022-05-12T05:08:10Z)
• CertainNet: Sampling-free Uncertainty Estimation for Object Detection [65.28989536741658]
  ニューラルネットワークの不確実性を推定することは、安全クリティカルな設定において基本的な役割を果たす。 本研究では,オブジェクト検出のための新しいサンプリング不要不確実性推定法を提案する。 私たちはそれをCertainNetと呼び、各出力信号に対して、オブジェクト性、クラス、位置、サイズという、別の不確実性を提供するのは、これが初めてです。
  論文  参考訳（メタデータ） (2021-10-04T17:59:31Z)
• Can We Leverage Predictive Uncertainty to Detect Dataset Shift and Adversarial Examples in Android Malware Detection? [20.96638126913256]
  我々は6つのキャリブレーション法で4つのオフ・ザ・シェルフ検出器を変換することで、24個のAndroidマルウェア検出器を再設計し、構築する。 データ不均衡を扱う3つの指標を含む9つの指標で、不確実性を定量化します。 予測された逆例のラベルに関連する不確かさを定量化することは、オープンな問題である。
  論文  参考訳（メタデータ） (2021-09-20T16:16:25Z)

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。