Fugu-MT 論文翻訳(概要): Confidence-based federated distillation for vision-based lane-centering

論文の概要: Confidence-based federated distillation for vision-based lane-centering

arxiv url: http://arxiv.org/abs/2306.03222v1
Date: Mon, 5 Jun 2023 20:16:19 GMT
ステータス: 処理完了
システム内更新日: 2023-06-07 18:30:19.712893
Title: Confidence-based federated distillation for vision-based lane-centering
Title（参考訳）: ビジョンに基づくレーン中心化のための信頼に基づくフェデレーション蒸留
Authors: Yitao Chen, Dawei Chen, Haoxin Wang, Kyungtae Han, Ming Zhao
Abstract要約: 本稿では, ステアリング角度予測のための機械学習の性能向上を目的とした, 信頼性に基づく新しいフェデレーション蒸留法を提案する。視覚に基づく車線センターの総合評価では、提案手法はFedAvgとFedDFをそれぞれ11.3%、FedDFを9%上回っている。
参考スコア（独自算出の注目度）: 4.071859628309787
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: A fundamental challenge of autonomous driving is maintaining the vehicle in the center of the lane by adjusting the steering angle. Recent advances leverage deep neural networks to predict steering decisions directly from images captured by the car cameras. Machine learning-based steering angle prediction needs to consider the vehicle's limitation in uploading large amounts of potentially private data for model training. Federated learning can address these constraints by enabling multiple vehicles to collaboratively train a global model without sharing their private data, but it is difficult to achieve good accuracy as the data distribution is often non-i.i.d. across the vehicles. This paper presents a new confidence-based federated distillation method to improve the performance of federated learning for steering angle prediction. Specifically, it proposes the novel use of entropy to determine the predictive confidence of each local model, and then selects the most confident local model as the teacher to guide the learning of the global model. A comprehensive evaluation of vision-based lane centering shows that the proposed approach can outperform FedAvg and FedDF by 11.3% and 9%, respectively.
Abstract（参考訳）: 自律運転の基本的な課題は、操舵角度を調節して車線中央の車両を維持することである。最近の進歩はディープニューラルネットワークを利用して、車載カメラが捉えた画像から直接ステアリング決定を予測する。機械学習に基づく操舵角度予測は、モデルトレーニングのために大量のプライベートデータをアップロードする際の車両の制限を考慮する必要がある。フェデレーション学習は、複数の車両がプライベートデータを共有せずにグローバルなモデルを協調的にトレーニングできるようにすることで、これらの制約に対処することができるが、車両間でのデータ分散が非i.i.d.であることが多いため、適切な精度を達成することは困難である。本稿では, 操舵角度予測のためのフェデレーション学習性能を向上させるために, 信頼性に基づく新しいフェデレーション蒸留法を提案する。具体的には,各局所モデルの予測信頼度を決定するために,新たなエントロピーの利用を提案し,その上で,教師として最も自信のある局所モデルを選択し,グローバルモデルの学習を指導する。視覚に基づく車線センターの総合評価では、提案手法はFedAvgとFedDFをそれぞれ11.3%、FedDFを9%上回っている。

関連論文リスト

FedRAV: Hierarchically Federated Region-Learning for Traffic Object Classification of Autonomous Vehicles [7.8896851741869085]
自動運転車の階層的統合地域学習フレームワーク(FedRAV)を提案する。 FedRAVは、定義された地域距離に基づいて、車両を含む広い領域をサブリージョンに適応的に分割し、パーソナライズされた車両モデルと地域モデルを達成する。実験の結果、我々のフレームワークはこれらの既知のアルゴリズムより優れており、少なくとも3.69%精度が向上していることがわかった。
論文参考訳（メタデータ） (2024-11-21T09:45:55Z)
Exploring the Causality of End-to-End Autonomous Driving [57.631400236930375]
本稿では,エンドツーエンド自動運転の因果関係を探究し,分析するための包括的アプローチを提案する。私たちの研究は、エンドツーエンドの自動運転の謎を初めて明らかにし、ブラックボックスを白い箱に変えた。
論文参考訳（メタデータ） (2024-07-09T04:56:11Z)
MetaFollower: Adaptable Personalized Autonomous Car Following [63.90050686330677]
適応型パーソナライズされた自動車追従フレームワークであるMetaFollowerを提案する。まず,モデルに依存しないメタラーニング(MAML)を用いて,様々なCFイベントから共通運転知識を抽出する。さらに、Long Short-Term Memory (LSTM) と Intelligent Driver Model (IDM) を組み合わせて、時間的不均一性を高い解釈性で反映する。
論文参考訳（メタデータ） (2024-06-23T15:30:40Z)
Automatic AI controller that can drive with confidence: steering vehicle with uncertainty knowledge [3.131134048419781]
本研究は,機械学習フレームワークを用いた車両の横方向制御システムの開発に焦点をあてる。確率論的学習モデルであるベイズニューラルネットワーク(BNN)を用いて不確実性定量化に対処する。信頼しきい値を確立することで、手動による介入をトリガーし、安全なパラメータの外で動作した場合に、制御がアルゴリズムから解放されることを保証できます。
論文参考訳（メタデータ） (2024-04-24T23:22:37Z)
FedDriveScore: Federated Scoring Driving Behavior with a Mixture of Metric Distributions [6.195950768412144]
集中型学習に代わるプライバシフレンドリな代替手段として,自動車とクラウドのコラボレーションが提案されている。このフレームワークは、グローバルスコアリングモデルの性能劣化を低減するために、一貫したスコアリング手法のフェデレーションバージョンを含む。
論文参考訳（メタデータ） (2024-01-13T02:15:41Z)
Federated Deep Learning Meets Autonomous Vehicle Perception: Design and Verification [168.67190934250868]
フェデレーテッド・ラーニング・パワード・コネクテッド・オートモービル(FLCAV)が提案されている。 FLCAVは通信とアノテーションのコストを削減しながらプライバシを保存する。マルチステージトレーニングのためのネットワークリソースと道路センサのポーズを決定することは困難である。
論文参考訳（メタデータ） (2022-06-03T23:55:45Z)
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)
Deep Federated Learning for Autonomous Driving [15.514129425191266]
プライバシーの懸念を尊重しながら自律運転政策を学ぶための新しいアプローチを提案する。本稿では,ピアツーピアのディープラーニング(DFL)アプローチを用いて,ディープラーニングを分散的に学習する手法を提案する。我々は、モデル安定性を改善し、収束を確保し、不均衡なデータ分散問題に対処できる新しいフェデレート自律運転ネットワーク(FADNet)を設計する。
論文参考訳（メタデータ） (2021-10-12T06:04:27Z)
SODA10M: Towards Large-Scale Object Detection Benchmark for Autonomous Driving [94.11868795445798]
我々は,SODA10Mという名の自律走行用大規模物体検出ベンチマークをリリースし,1000万枚の未ラベル画像と6つの代表対象カテゴリをラベル付けした20K画像を含む。多様性を向上させるために、画像は32の異なる都市で、1フレームあたり10秒毎に異なる気象条件、期間、場所のシーンで収集される。我々は、既存の教師付き最先端検出モデル、一般的な自己監督型および半教師付きアプローチ、および将来のモデルの開発方法に関するいくつかの知見について、広範な実験と詳細な分析を行った。
論文参考訳（メタデータ） (2021-06-21T13:55:57Z)
Fine-Grained Vehicle Perception via 3D Part-Guided Visual Data Augmentation [77.60050239225086]
実画像中の車両に動的部品を付加した3次元自動車モデルによる効果的なトレーニングデータ生成プロセスを提案する。私達のアプローチは人間の相互作用なしで完全に自動です。 VUS解析用マルチタスクネットワークとVHI解析用マルチストリームネットワークを提案する。
論文参考訳（メタデータ） (2020-12-15T03:03:38Z)
Privacy-preserving Traffic Flow Prediction: A Federated Learning Approach [61.64006416975458]
本稿では,フェデレート学習に基づくGated Recurrent Unit Neural Network Algorithm (FedGRU) というプライバシ保護機械学習手法を提案する。 FedGRUは、現在の集中学習方法と異なり、安全なパラメータアグリゲーション機構を通じて、普遍的な学習モデルを更新する。 FedGRUの予測精度は、先進的なディープラーニングモデルよりも90.96%高い。
論文参考訳（メタデータ） (2020-03-19T13:07:49Z)

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。