論文の概要: Deep Transfer Learning for Intelligent Vehicle Perception: a Survey

• arxiv url: http://arxiv.org/abs/2306.15110v2
• Date: Fri, 29 Sep 2023 21:26:01 GMT
• ステータス: 処理完了
• システム内更新日: 2023-10-03 13:51:51.007139
• Title: Deep Transfer Learning for Intelligent Vehicle Perception: a Survey
• Title（参考訳）: インテリジェントな車両認識のための深層移動学習 : サーベイ
• Authors: Xinyu Liu, Jinlong Li, Jin Ma, Huiming Sun, Zhigang Xu, Tianyun Zhang, Hongkai Yu
• Abstract要約: 本報告は,知的車両認識のための深層移動学習の話題に関する,初めての包括的調査である。 Deep Transfer Learningは、以前別のドメインで学んだ同様のタスクの知識を活用することで、新しいドメインでのタスクパフォーマンスを改善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）: 42.860260505671036
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Deep learning-based intelligent vehicle perception has been developing prominently in recent years to provide a reliable source for motion planning and decision making in autonomous driving. A large number of powerful deep learning-based methods can achieve excellent performance in solving various perception problems of autonomous driving. However, these deep learning methods still have several limitations, for example, the assumption that lab-training (source domain) and real-testing (target domain) data follow the same feature distribution may not be practical in the real world. There is often a dramatic domain gap between them in many real-world cases. As a solution to this challenge, deep transfer learning can handle situations excellently by transferring the knowledge from one domain to another. Deep transfer learning aims to improve task performance in a new domain by leveraging the knowledge of similar tasks learned in another domain before. Nevertheless, there are currently no survey papers on the topic of deep transfer learning for intelligent vehicle perception. To the best of our knowledge, this paper represents the first comprehensive survey on the topic of the deep transfer learning for intelligent vehicle perception. This paper discusses the domain gaps related to the differences of sensor, data, and model for the intelligent vehicle perception. The recent applications, challenges, future researches in intelligent vehicle perception are also explored.
• Abstract（参考訳）: ディープラーニングに基づくインテリジェントな車両認識は、自動運転における動き計画と意思決定の信頼できる情報源を提供するために、近年大きく進歩している。 多くの強力なディープラーニングベースの手法は、自律運転の様々な認識問題を解く上で優れた性能を達成することができる。 しかし、これらのディープラーニング手法には、実験室訓練(ソースドメイン)と実検体(ターゲットドメイン)データが同じ特徴分布に従うという仮定のようないくつかの制限がある。 多くの実世界のケースでは、それらの間に劇的なドメインギャップがしばしばあります。 この課題の解決策として、ディープトランスファー学習は、ある領域から別の領域に知識を移すことで、優れた状況に対処することができる。 Deep Transfer Learningは、以前別のドメインで学んだ同様のタスクの知識を活用することで、新しいドメインでのタスクパフォーマンスを改善することを目的としている。 それでも、インテリジェントな車両認識のためのディープトランスファー学習に関する調査論文はない。 本論文は、私たちの知る限り、インテリジェントな車両認識のためのディープトランスファー学習に関する最初の総合的な調査である。 本稿では,知的車両知覚におけるセンサ,データ,モデルの違いに関する領域間ギャップについて述べる。 インテリジェントな車両認識における最近の応用、課題、今後の研究も検討されている。

関連論文リスト

• Towards Knowledge-driven Autonomous Driving [37.003908817857095]
  本稿では,新しい知識駆動型自動運転技術について考察する。 我々の調査は、現在の自動運転システムの限界を浮き彫りにしている。 認知、一般化、生涯学習の能力を備えた知識駆動型手法は、これらの課題を克服するための有望な方法として浮上する。
  論文  参考訳（メタデータ） (2023-12-07T14:17:17Z)
• LLM4Drive: A Survey of Large Language Models for Autonomous Driving [62.10344445241105]
  大規模言語モデル(LLM)は、文脈理解、論理的推論、回答生成などの能力を示した。 本稿では,自動走行のための大規模言語モデル (LLM4AD) に関する研究ラインを体系的にレビューする。
  論文  参考訳（メタデータ） (2023-11-02T07:23:33Z)
• End-to-end Autonomous Driving using Deep Learning: A Systematic Review [0.0]
  エンドツーエンドの自律運転(End-to-end autonomous driving)は、センサーの入力データやその他のメタデータを事前情報として取り込み、エゴ車の制御信号や計画された軌跡を直接出力する、完全に微分可能な機械学習システムである。 本稿では, 物体検出, セマンティックシーン理解, 物体追跡, 軌道予測, 軌道計画, 車両制御, 社会行動, コミュニケーションなど, 最新の機械学習技術をすべて体系的に検証し, このエンドツーエンドのタスクを実行する。
  論文  参考訳（メタデータ） (2023-08-27T17:43:58Z)
• Recent Advancements in End-to-End Autonomous Driving using Deep Learning: A Survey [9.385936248154987]
  エンド・ツー・エンドの運転は、モジュラーシステムに関連する欠点を回避するため、有望なパラダイムである。 エンド・ツー・エンド自動運転の最近の進歩は分析され、基礎原理に基づいて研究が分類される。 本稿では,最先端の評価,課題の特定,今後の可能性を探る。
  論文  参考訳（メタデータ） (2023-07-10T07:00:06Z)
• Data and Knowledge for Overtaking Scenarios in Autonomous Driving [0.0]
  オーバーテイク・エクササイズは、運転において最も重要な行動の1つである。 文献で利用できる作業量にもかかわらず、ほんの少しの操作しか処理できない。 この研究は、この領域に寄与し、新たな合成データセットを提示する。
  論文  参考訳（メタデータ） (2023-05-30T21:27:05Z)
• Learning energy-efficient driving behaviors by imitating experts [75.12960180185105]
  本稿では,コミュニケーション・センシングにおける制御戦略と現実的限界のギャップを埋める上で,模倣学習が果たす役割について考察する。 擬似学習は、車両の5%に採用されれば、局地的な観測のみを用いて、交通条件の異なるネットワークのエネルギー効率を15%向上させる政策を導出できることを示す。
  論文  参考訳（メタデータ） (2022-06-28T17:08:31Z)
• Transferability in Deep Learning: A Survey [80.67296873915176]
  知識を習得し再利用する能力は、ディープラーニングにおける伝達可能性として知られている。 本研究は,深層学習における異なる孤立領域と伝達可能性との関係を関連付けるための調査である。 我々はベンチマークとオープンソースライブラリを実装し、転送可能性の観点からディープラーニング手法の公平な評価を可能にする。
  論文  参考訳（メタデータ） (2022-01-15T15:03:17Z)
• Improving Robustness of Learning-based Autonomous Steering Using Adversarial Images [58.287120077778205]
  自動運転用画像入力における学習アルゴリズムw.r.tの堅牢性を解析するためのフレームワークについて紹介する。 感度分析の結果を用いて, 「操縦への学習」 タスクの総合的性能を向上させるアルゴリズムを提案する。
  論文  参考訳（メタデータ） (2021-02-26T02:08:07Z)
• Knowledge as Invariance -- History and Perspectives of Knowledge-augmented Machine Learning [69.99522650448213]
  機械学習の研究は転換点にある。 研究の関心は、高度にパラメータ化されたモデルのパフォーマンス向上から、非常に具体的なタスクへとシフトしている。 このホワイトペーパーは、機械学習研究におけるこの新興分野の紹介と議論を提供する。
  論文  参考訳（メタデータ） (2020-12-21T15:07:19Z)
• Autonomous Driving with Deep Learning: A Survey of State-of-Art Technologies [12.775642557933908]
  これはディープラーニング手法を用いた自動運転技術のサーベイである。 本稿では,認識,マッピングとローカライゼーション,予測,計画と制御,シミュレーション,V2X,安全性など,自動運転システムの主要な分野について検討する。
  論文  参考訳（メタデータ） (2020-06-10T22:21:57Z)

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。