論文の概要: Perception Datasets for Anomaly Detection in Autonomous Driving: A Survey

• arxiv url: http://arxiv.org/abs/2302.02790v2
• Date: Fri, 31 Mar 2023 11:43:42 GMT
• ステータス: 処理完了
• システム内更新日: 2023-04-03 16:52:00.096232
• Title: Perception Datasets for Anomaly Detection in Autonomous Driving: A Survey
• Title（参考訳）: 自動運転における異常検出のための知覚データセット:調査
• Authors: Daniel Bogdoll and Svenja Uhlemeyer and Kamil Kowol and J. Marius Z\"ollner
• Abstract要約: 異常検出手法の評価のために複数の知覚データセットが作成されている。 このサーベイは構造化され、私たちの知る限り、自律運転における異常検出のための知覚データセットの完全な概要と比較を提供する。
• 参考スコア（独自算出の注目度）: 4.731404257629232
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Deep neural networks (DNN) which are employed in perception systems for autonomous driving require a huge amount of data to train on, as they must reliably achieve high performance in all kinds of situations. However, these DNN are usually restricted to a closed set of semantic classes available in their training data, and are therefore unreliable when confronted with previously unseen instances. Thus, multiple perception datasets have been created for the evaluation of anomaly detection methods, which can be categorized into three groups: real anomalies in real-world, synthetic anomalies augmented into real-world and completely synthetic scenes. This survey provides a structured and, to the best of our knowledge, complete overview and comparison of perception datasets for anomaly detection in autonomous driving. Each chapter provides information about tasks and ground truth, context information, and licenses. Additionally, we discuss current weaknesses and gaps in existing datasets to underline the importance of developing further data.
• Abstract（参考訳）: 自律運転のための認識システムに使用されるディープニューラルネットワーク(DNN)は、あらゆる状況において確実に高いパフォーマンスを達成する必要があるため、トレーニングする大量のデータを必要とする。 しかし、これらのdnnは通常、トレーニングデータで利用可能な閉じたセマンティクスクラスに制限されており、従って、これまで見つからなかったインスタンスと向き合うと信頼できない。 したがって, 実世界の異常, 実世界の異常, 合成異常, 完全に合成されたシーンの3つのグループに分類できる, 異常検出法の評価のための複数の知覚データセットが作成されている。 このサーベイは構造化され、私たちの知る限り、自律運転における異常検出のための知覚データセットの完全な概要と比較を提供する。 各章はタスクや基礎的真実、コンテキスト情報、ライセンスに関する情報を提供する。 さらに、既存のデータセットにおける現在の弱点とギャップについて論じ、さらなるデータ開発の重要性を強調する。

関連論文リスト

• Approaching Metaheuristic Deep Learning Combos for Automated Data Mining [0.5419570023862531]
  本研究では,メタヒューリスティック手法を従来の分類器やニューラルネットワークと組み合わせて自動データマイニングを行う手法を提案する。 手書き文字認識のためのMNISTデータセットの実験を行った。 根拠真理ラベル付きデータセットの検証精度は、これまで見つからなかった他のデータインスタンスのラベルを修正するのに不十分である、という実証的な観察がなされた。
  論文  参考訳（メタデータ） (2024-10-16T10:28:22Z)
• A New Benchmark: On the Utility of Synthetic Data with Blender for Bare Supervised Learning and Downstream Domain Adaptation [42.2398858786125]
  コンピュータビジョンにおけるディープラーニングは、大規模ラベル付きトレーニングデータの価格で大きな成功を収めた。 制御不能なデータ収集プロセスは、望ましくない重複が存在する可能性のある非IIDトレーニングおよびテストデータを生成する。 これを回避するために、ドメインランダム化による3Dレンダリングによる合成データを生成する方法がある。
  論文  参考訳（メタデータ） (2023-03-16T09:03:52Z)
• Do Deep Neural Networks Always Perform Better When Eating More Data? [82.6459747000664]
  Identically Independent Distribution(IID)とOut of Distribution(OOD)による実験を設計する。 IID条件下では、情報の量は各サンプルの効果度、サンプルの寄与度、クラス間の差がクラス情報の量を決定する。 OOD条件下では、試料のクロスドメイン度が寄与を決定づけ、無関係元素によるバイアス適合はクロスドメインの重要な要素である。
  論文  参考訳（メタデータ） (2022-05-30T15:40:33Z)
• MUAD: Multiple Uncertainties for Autonomous Driving benchmark for multiple uncertainty types and tasks [10.624564056837835]
  MUADデータセットは8,500個のリアルな合成画像で構成され、様々な悪天候条件がある。 このデータセットは、モデルパフォーマンスに対するさまざまな不確実性ソースの影響をより正確に評価することを可能にする。
  論文  参考訳（メタデータ） (2022-03-02T22:14:12Z)
• Detecting and Learning the Unknown in Semantic Segmentation [4.970364068620608]
  セマンティックセグメンテーションは自動運転における認識にとって重要な要素である。 ディープニューラルネットワーク(DNN)はこのタスクに一般的に使われ、通常、クローズドオペレーショナルドメインに現れるオブジェクトクラスの閉じたセットでトレーニングされる。 本稿ではまず,情報理論の観点から異常について概説する。 セマンティックセグメンテーションにおける意味不明物体の検出に関する研究について概説する。 異常物体に対する高エントロピー応答の訓練は他の手法よりも優れていることを示す。
  論文  参考訳（メタデータ） (2022-02-17T15:07:24Z)
• DAE : Discriminatory Auto-Encoder for multivariate time-series anomaly detection in air transportation [68.8204255655161]
  識別オートエンコーダ(DAE)と呼ばれる新しい異常検出モデルを提案する。 通常のLSTMベースのオートエンコーダのベースラインを使用するが、いくつかのデコーダがあり、それぞれ特定の飛行フェーズのデータを取得する。 その結果,DAEは精度と検出速度の両方で良好な結果が得られることがわかった。
  論文  参考訳（メタデータ） (2021-09-08T14:07:55Z)
• One Million Scenes for Autonomous Driving: ONCE Dataset [91.94189514073354]
  自律運転シナリオにおける3次元物体検出のためのONCEデータセットを提案する。 データは、利用可能な最大の3D自動運転データセットよりも20倍長い144時間の運転時間から選択される。 我々はONCEデータセット上で、様々な自己教師的・半教師的手法を再現し、評価する。
  論文  参考訳（メタデータ） (2021-06-21T12:28:08Z)
• OR-Net: Pointwise Relational Inference for Data Completion under Partial Observation [51.083573770706636]
  この作業はリレーショナル推論を使って不完全なデータを埋めます。 本稿では,2つの点での相対性理論をモデル化するために,全関係ネットワーク (or-net) を提案する。
  論文  参考訳（メタデータ） (2021-05-02T06:05:54Z)
• Diverse Complexity Measures for Dataset Curation in Self-driving [80.55417232642124]
  トラフィックシーンの面白さを定量化する多様な基準を活用した新たなデータ選択手法を提案する。 実験の結果,提案するキュレーションパイプラインは,より汎用的で高いパフォーマンスをもたらすデータセットを選択できることが判明した。
  論文  参考訳（メタデータ） (2021-01-16T23:45:02Z)
• HINT3: Raising the bar for Intent Detection in the Wild [0.9634859579172252]
  さまざまなドメインのライブチャットボットから生成された3つの新しいデータセットを紹介します。 クラウドソースされている既存のデータセットとは異なり、私たちのデータセットにはチャットボットが受信した実際のユーザクエリが含まれています。 性能分類器がテストセット上で不適切なレベルに飽和するのは、すべてのシステムがトレーニングデータにおいて意図しないパターンにラッチオンするためである。
  論文  参考訳（メタデータ） (2020-09-29T07:44:37Z)
• From Simulation to Real World Maneuver Execution using Deep Reinforcement Learning [69.23334811890919]
  深層強化学習(Deep Reinforcement Learning)は、さまざまな分野における多くの制御タスクを解決できることが証明されている。 これは主に、シミュレーションデータと実世界のデータ間のドメイン適応の欠如と、トレインデータセットとテストデータセットの区別の欠如による。 本稿では,エージェントが同時に訓練される複数の環境に基づくシステムを提案する。
  論文  参考訳（メタデータ） (2020-05-13T14:22:20Z)

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。