論文の概要: MCROOD: Multi-Class Radar Out-Of-Distribution Detection

• arxiv url: http://arxiv.org/abs/2303.06232v1
• Date: Fri, 10 Mar 2023 22:44:24 GMT
• ステータス: 処理完了
• システム内更新日: 2023-03-14 20:13:05.889784
• Title: MCROOD: Multi-Class Radar Out-Of-Distribution Detection
• Title（参考訳）: MCROOD:マルチクラスレーダー出力検出
• Authors: Sabri Mustafa Kahya, Muhammet Sami Yavuz, Eckehard Steinbach
• Abstract要約: 本研究は,レーダレンジドップラー画像(RDI)を用いた再構成型マルチクラスOOD検出器を提案する。 この検出器は、OODとして座っている人、立っている人、歩いている人以外の移動物体を分類することを目的としている。 また,呼吸などの人体運動を簡易かつ効果的に検出する前処理技術も提供する。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Out-of-distribution (OOD) detection has recently received special attention due to its critical role in safely deploying modern deep learning (DL) architectures. This work proposes a reconstruction-based multi-class OOD detector that operates on radar range doppler images (RDIs). The detector aims to classify any moving object other than a person sitting, standing, or walking as OOD. We also provide a simple yet effective pre-processing technique to detect minor human body movements like breathing. The simple idea is called respiration detector (RESPD) and eases the OOD detection, especially for human sitting and standing classes. On our dataset collected by 60GHz short-range FMCW Radar, we achieve AUROCs of 97.45%, 92.13%, and 96.58% for sitting, standing, and walking classes, respectively. We perform extensive experiments and show that our method outperforms state-of-the-art (SOTA) OOD detection methods. Also, our pipeline performs 24 times faster than the second-best method and is very suitable for real-time processing.
• Abstract（参考訳）: 最新のディープラーニング(DL)アーキテクチャを安全に展開する上で重要な役割を担っているため、OOD(Out-of-distriion)検出が最近注目されている。 本研究は,レーダレンジドップラー画像(RDI)を利用する再構成型マルチクラスOOD検出器を提案する。 この検出器は、OODとして座っている人、立っている人、歩いている人以外の移動物体を分類することを目的としている。 また,呼吸などの人体運動を簡易かつ効果的に検出する前処理技術も提供する。 単純なアイデアは呼吸検知(respiration detector, respd)と呼ばれ、特に座ったり立ったりするクラスでood検出が容易になる。 60GHz短距離FMCWレーダで収集したデータセットでは、AUROCが97.45%、92.13%、96.58%、歩行クラスが96.58%である。 我々は広範囲な実験を行い,その方法がSOTA(State-of-the-art)OOD検出法より優れていることを示す。 また、パイプラインは第2のメソッドよりも24倍高速で、リアルタイム処理に非常に適しています。

関連論文リスト

• FOOD: Facial Authentication and Out-of-Distribution Detection with Short-Range FMCW Radar [0.0]
  本稿では,短距離FMCWレーダを用いた顔認証とオフ・オブ・ディストリビューション(OOD)検出フレームワークを提案する。 本研究パイプラインは,IDサンプルの正しいクラスを共同で推定し,OODサンプルを検出して不正確な予測を防止する。 また,60GHz短距離FMCWレーダを用いて収集したデータセットに対して,分布しない顔の識別における平均分類精度98.07%を実現した。
  論文  参考訳（メタデータ） (2024-06-06T23:08:03Z)
• Enhancing Near OOD Detection in Prompt Learning: Maximum Gains, Minimal Costs [7.702532712995683]
  我々は,OOD検出AUROCを最小計算コストで最大11.67%改善する高速で簡単なポストホック法を提案する。 本手法は,アーキテクチャの変更やモデルの再学習なしに,任意の素早い学習モデルに容易に適用することができる。
  論文  参考訳（メタデータ） (2024-05-25T06:46:16Z)
• A noisy elephant in the room: Is your out-of-distribution detector robust to label noise? [49.88894124047644]
  我々は、最先端のOOD検出方法20について詳しく検討する。 不正に分類されたIDサンプルとOODサンプルの分離が不十分であることを示す。
  論文  参考訳（メタデータ） (2024-04-02T09:40:22Z)
• Multi-stage Learning for Radar Pulse Activity Segmentation [51.781832424705094]
  無線信号認識は電子戦において重要な機能である。 電子戦システムでは、レーダパルス活動の正確な識別と位置決めが要求される。 ディープラーニングに基づくレーダーパルス活動認識法は、ほとんど未検討のままである。
  論文  参考訳（メタデータ） (2023-12-15T01:56:27Z)
• HAROOD: Human Activity Classification and Out-of-Distribution Detection with Short-Range FMCW Radar [0.0]
  本研究では,短距離FMCWレーダを用いた人間活動分類器とアウト・オブ・ディストリビューション検出器としてHAROODを提案する。 人間の立位、立位、歩行活動を分類し、OODとして他の移動物体や静止物体を検出することを目的としている。 60GHz短距離FMCWレーダーで収集したデータセットでは、平均的な分類精度は96.51%である。
  論文  参考訳（メタデータ） (2023-12-14T12:56:28Z)
• HOOD: Real-Time Human Presence and Out-of-Distribution Detection Using FMCW Radar [0.0]
  60GHz短距離FMCWレーダを用いたリアルタイム能動人体の存在・分布外検出法 Hoodは人間の存在を正確に検知することを目的としている。 60GHzの短距離FMCWレーダーで収集したデータセットでは、平均94.36%のAUROCを達成した。
  論文  参考訳（メタデータ） (2023-07-24T17:09:40Z)
• Reconstruction-based Out-of-Distribution Detection for Short-Range FMCW Radar [0.0]
  本稿では,レーダ領域で動作する新しい再構成型OOD検出器を提案する。 提案手法はオートエンコーダ(AE)とその潜在表現を利用してOODサンプルを検出する。 我々は60GHz短距離FMCWレーダを用いて収集したデータセットに対して90.72%のAUROCを達成した。
  論文  参考訳（メタデータ） (2023-02-27T23:03:51Z)
• Rethinking Out-of-distribution (OOD) Detection: Masked Image Modeling is All You Need [52.88953913542445]
  簡単な再構築手法を用いることで,OOD検出の性能が大幅に向上する可能性が示唆された。 我々は、OOD検出フレームワーク(MOOD)のプリテキストタスクとして、マスケ画像モデリング(Masked Image Modeling)を採用する。
  論文  参考訳（メタデータ） (2023-02-06T08:24:41Z)
• Distilling Image Classifiers in Object Detectors [81.63849985128527]
  本研究では, 物体検出の事例について検討し, 標準検出器-検出器蒸留法に従わず, 分類器-検出器間知識伝達フレームワークを導入する。 特に,検知器の認識精度とローカライゼーション性能を両立させるため,分類教師を利用する手法を提案する。
  論文  参考訳（メタデータ） (2021-06-09T16:50:10Z)
• ATOM: Robustifying Out-of-distribution Detection Using Outlier Mining [51.19164318924997]
  インフォメーション・アウトリエ・マイニングによるアドリアトレーニングは、OOD検出の堅牢性を向上させる。 ATOMは,古典的,敵対的なOOD評価タスクの幅広いファミリーの下で,最先端のパフォーマンスを達成する。
  論文  参考訳（メタデータ） (2020-06-26T20:58:05Z)
• Robust Out-of-distribution Detection for Neural Networks [51.19164318924997]
  既存の検出機構は, 分布内およびOOD入力の評価において, 極めて脆弱であることを示す。 ALOE と呼ばれる実効性のあるアルゴリズムを提案する。このアルゴリズムは,逆向きに構築された逆数と外数の両方の例にモデルを公開することにより,堅牢なトレーニングを行う。
  論文  参考訳（メタデータ） (2020-03-21T17:46:28Z)

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。