論文の概要: Robustness of Segment Anything Model (SAM) for Autonomous Driving in Adverse Weather Conditions

• arxiv url: http://arxiv.org/abs/2306.13290v1
• Date: Fri, 23 Jun 2023 04:56:47 GMT
• ステータス: 処理完了
• システム内更新日: 2023-06-26 13:46:51.455056
• Title: Robustness of Segment Anything Model (SAM) for Autonomous Driving in Adverse Weather Conditions
• Title（参考訳）: 逆気象条件下での自律走行におけるセグメンテーションモデル(SAM)のロバスト性
• Authors: Xinru Shan, Chaoning Zhang
• Abstract要約: Segment Anything Model (SAM) はコンピュータビジョンの基礎モデルとして登場した。 SAMを自律運転に適用して視覚タスクの性能向上を図りたいという願望が強くある。 本研究は,自動運転ビジョンタスクに統合する前に,課題シナリオにおけるSAMの堅牢性を理解することを目的としている。
• 参考スコア（独自算出の注目度）: 9.613468602635082
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Segment Anything Model (SAM) has gained considerable interest in recent times for its remarkable performance and has emerged as a foundational model in computer vision. It has been integrated in diverse downstream tasks, showcasing its strong zero-shot transfer capabilities. Given its impressive performance, there is a strong desire to apply SAM in autonomous driving to improve the performance of vision tasks, particularly in challenging scenarios such as driving under adverse weather conditions. However, its robustness under adverse weather conditions remains uncertain. In this work, we investigate the application of SAM in autonomous driving and specifically explore its robustness under adverse weather conditions. Overall, this work aims to enhance understanding of SAM's robustness in challenging scenarios before integrating it into autonomous driving vision tasks, providing valuable insights for future applications.
• Abstract（参考訳）: セグメント・エナジー・モデル(sam)は近年、その驚くべき性能でかなりの関心を集め、コンピュータビジョンの基礎モデルとして登場した。 下流のさまざまなタスクに統合され、強力なゼロショット転送能力を示している。 その優れた性能から、特に悪天候下での運転のような困難なシナリオにおいて、視覚タスクのパフォーマンスを改善するためにSAMを自律運転に適用したいという強い願望がある。 しかし、悪天候下での強靭性は不確かである。 本研究では,SAMの自律運転への適用について検討し,悪天候下でのロバスト性について検討する。 この研究は、自動運転ビジョンタスクに統合する前に、課題シナリオにおけるSAMの堅牢性を理解することを目的としており、将来のアプリケーションに貴重な洞察を提供する。

関連論文リスト

• Generating Out-Of-Distribution Scenarios Using Language Models [58.47597351184034]
  大規模言語モデル(LLM)は自動運転において有望であることを示している。 本稿では,多様なOF-Distribution(OOD)駆動シナリオを生成するためのフレームワークを提案する。 我々は、広範囲なシミュレーションを通じてフレームワークを評価し、新しい"OOD-ness"メトリクスを導入する。
  論文  参考訳（メタデータ） (2024-11-25T16:38:17Z)
• WATonoBus: Field-Tested All-Weather Autonomous Shuttle Technology [8.815412946998475]
  全天候の自動運転車の運用は、知覚や意思決定から経路計画や制御までモジュールを包含する、重大な課題を生んでいる。 認識レベルを越えた悪天候を考慮したマルチモジュール・モジュールシステムアーキテクチャを提案する。 提案手法は,悪天候に対処し,手術中に観測されたエッジケースから貴重な知見を提供する。
  論文  参考訳（メタデータ） (2023-12-01T21:36:14Z)
• Exploring the Potential of World Models for Anomaly Detection in Autonomous Driving [11.091582432763738]
  自律運転の領域において、世界モデルをどのように活用して異常検出を行うかを示す。 我々は,世界モデルのキャラクタリゼーションを提供し,個々のコンポーネントを異常検出における以前の研究と関連付ける。
  論文  参考訳（メタデータ） (2023-08-10T17:04:51Z)
• Assurance for Autonomy -- JPL's past research, lessons learned, and future directions [56.32768279109502]
  幅広い状況の変動が、事前計画された応答を妨げている場合、自律性が必要である。 ミッション・アシュアランス(Mission Assurance)は、信頼性を提供する上で重要な貢献者であるが、何十年にもわたって宇宙飛行に輝く保証の実践は、自律性に関する経験が比較的少ない。 JPLのソフトウェア保証グループの研究者は、自律性の保証に特化した技術の開発に関与している。
  論文  参考訳（メタデータ） (2023-05-16T18:24:12Z)
• SHIFT: A Synthetic Driving Dataset for Continuous Multi-Task Domain Adaptation [152.60469768559878]
  ShiFTは、自動運転のための最大規模のマルチタスク合成データセットである。 曇り、雨と霧の強さ、昼の時間、車と歩行者の密度を個別に連続的に変化させる。 私たちのデータセットとベンチマークツールキットはwww.vis.xyz/shift.comで公開されています。
  論文  参考訳（メタデータ） (2022-06-16T17:59:52Z)
• Differentiable Control Barrier Functions for Vision-based End-to-End Autonomous Driving [100.57791628642624]
  本稿では,視覚に基づくエンドツーエンド自動運転のための安全保証学習フレームワークを提案する。 我々は、勾配降下によりエンドツーエンドに訓練された微分制御バリア関数(dCBF)を備えた学習システムを設計する。
  論文  参考訳（メタデータ） (2022-03-04T16:14:33Z)
• Safety-aware Motion Prediction with Unseen Vehicles for Autonomous Driving [104.32241082170044]
  本研究では,無人運転用無人車を用いた新しい作業,安全を意識した動作予測手法について検討する。 既存の車両の軌道予測タスクとは異なり、占有率マップの予測が目的である。 私たちのアプローチは、ほとんどの場合、目に見えない車両の存在を予測できる最初の方法です。
  論文  参考訳（メタデータ） (2021-09-03T13:33:33Z)
• Dynamic Autonomous Surface Vehicle Control and Applications in Environmental Monitoring [1.6774978731594548]
  本稿では,敵対力の存在下でのロボット操作の問題に対処する。 風や電流の存在は、車両に作用する外部の力を生み出し、意図した経路から逸脱することが多い。 これらの現象、風と電流を測定し、船への影響をモデル化することで、その効果を緩和することができる。
  論文  参考訳（メタデータ） (2021-03-29T20:55:52Z)
• Worsening Perception: Real-time Degradation of Autonomous Vehicle Perception Performance for Simulation of Adverse Weather Conditions [47.529411576737644]
  本研究では,自律走行車両における簡易かつ軽量な画像強調システムの利用の可能性を検討する。 最小限の調整で、プロトタイプシステムは、カメラレンズ上の水滴と退色光条件の両方の効果を複製することができます。
  論文  参考訳（メタデータ） (2021-03-03T23:49:02Z)
• Probabilistic End-to-End Vehicle Navigation in Complex Dynamic Environments with Multimodal Sensor Fusion [16.018962965273495]
  全日と全天候のナビゲーションは、自動運転にとって重要な機能である。 本稿では,カメラ,ライダー,レーダからの情報を利用して,触覚能力を備えた確率的運転モデルを提案する。 その結果,提案モデルがベースラインを上回り,目に見えない環境での優れた一般化性能を実現することが示唆された。
  論文  参考訳（メタデータ） (2020-05-05T03:48:10Z)

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。