論文の概要: SURE-Val: Safe Urban Relevance Extension and Validation

• arxiv url: http://arxiv.org/abs/2308.02266v1
• Date: Fri, 4 Aug 2023 11:44:08 GMT
• ステータス: 処理完了
• システム内更新日: 2023-08-07 13:13:02.686538
• Title: SURE-Val: Safe Urban Relevance Extension and Validation
• Title（参考訳）: SURE-Val:安全な都市関係拡張と検証
• Authors: Kai Storms, Ken Mori, Steven Peters
• Abstract要約: 本研究は、高速道路領域における関連性を定義する既存の手法を採用し、都市領域に拡張する。 文献には異なる概念化や関連性の定義が存在するが、これらの定義を検証する方法が不足している。 検証は、無関係なオブジェクトを削除することは、人間の運転行動を反映する予測コンポーネントに影響を与えるべきではないという考え方を活用する。
• 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: To evaluate perception components of an automated driving system, it is necessary to define the relevant objects. While the urban domain is popular among perception datasets, relevance is insufficiently specified for this domain. Therefore, this work adopts an existing method to define relevance in the highway domain and expands it to the urban domain. While different conceptualizations and definitions of relevance are present in literature, there is a lack of methods to validate these definitions. Therefore, this work presents a novel relevance validation method leveraging a motion prediction component. The validation leverages the idea that removing irrelevant objects should not influence a prediction component which reflects human driving behavior. The influence on the prediction is quantified by considering the statistical distribution of prediction performance across a large-scale dataset. The validation procedure is verified using criteria specifically designed to exclude relevant objects. The validation method is successfully applied to the relevance criteria from this work, thus supporting their validity.
• Abstract（参考訳）: 自動運転システムの知覚成分を評価するには,関連する対象を定義する必要がある。 都市領域は認識データセットで人気があるが、この領域では関連性が不十分である。 そこで,本研究は高速道路領域の関連性を定義し,都市域に拡張する既存手法を採用する。 文献には異なる概念化や関連性の定義が存在するが、これらの定義を検証する方法がない。 そこで本研究では,動き予測成分を利用した新しい妥当性検証手法を提案する。 検証は、無関係なオブジェクトを削除することは、人間の運転行動を反映する予測コンポーネントに影響を与えるべきではないという考えを活用する。 大規模データセット間の予測性能の統計的分布を考慮し,予測への影響を定量化する。 検証手順は、関連オブジェクトを除外するために特別に設計された基準を用いて検証される。 本研究の妥当性基準に検証手法をうまく適用し,その妥当性を裏付ける。

関連論文リスト

• Conservative Estimation of Perception Relevance of Dynamic Objects for Safe Trajectories in Automotive Scenarios [0.0]
  関連性の概念はいまだ十分に定義されておらず、特定されていない。 本稿では,ハイウェイ領域における衝突安全への模範的適用により,この課題を克服する新しい手法を提案する。 本稿では、動的対象が知覚に関連し、完全な評価のために考慮する必要がある、保守的な推定法を提案する。
  論文  参考訳（メタデータ） (2023-07-20T13:43:48Z)
• Uncertainty Calibration and its Application to Object Detection [0.0]
  本研究では,意味的不確実性(どのオブジェクトタイプか)と空間的不確実性(空間的不確実性)について検討する。 オブジェクト検出モデルの予測不確かさが実世界のデータ上で達成された観測誤差と一致しているかを評価する。
  論文  参考訳（メタデータ） (2023-02-06T08:41:07Z)
• Exploring validation metrics for offline model-based optimisation with diffusion models [50.404829846182764]
  モデルベース最適化(MBO)では、マシンラーニングを使用して、(基底真理)オラクルと呼ばれるブラックボックス関数に対する報酬の尺度を最大化する候補を設計することに興味があります。 モデル検証中に基底オラクルに対する近似をトレーニングし、その代わりに使用することができるが、その評価は近似的であり、敵の例に対して脆弱である。 本手法は,外挿量を測定するために提案した評価フレームワークにカプセル化されている。
  論文  参考訳（メタデータ） (2022-11-19T16:57:37Z)
• Measuring Fairness of Text Classifiers via Prediction Sensitivity [63.56554964580627]
  加速度予測感度は、入力特徴の摂動に対するモデルの予測感度に基づいて、機械学習モデルの公正度を測定する。 この計量は、群フェアネス(統計パリティ)と個人フェアネスという特定の概念と理論的に関連付けられることを示す。
  論文  参考訳（メタデータ） (2022-03-16T15:00:33Z)
• Off-Policy Confidence Interval Estimation with Confounded Markov Decision Process [14.828039846764549]
  システム力学における動作の影響を媒介する補助変数によっては、マルコフ決定過程において対象ポリシーの値が識別可能であることを示す。 提案手法は, ライドシェアリング会社から得られた理論的結果, シミュレーション, 実データによって正当化される。
  論文  参考訳（メタデータ） (2022-02-22T00:03:48Z)
• Trajectory Forecasting from Detection with Uncertainty-Aware Motion Encoding [121.66374635092097]
  物体検出と追跡から得られる軌道は、必然的にうるさい。 本稿では, 明示的に形成された軌道に依存することなく, 直接検出結果に基づく軌道予測器を提案する。
  論文  参考訳（メタデータ） (2022-02-03T09:09:56Z)
• Uncertainty Aware Proposal Segmentation for Unknown Object Detection [13.249453757295083]
  本稿では,セマンティックセグメンテーションモデルのさらなる予測と信頼性の定量化を提案する。 本研究では,地域提案ネットワーク(RPN)が生成するオブジェクト提案を用いて,セマンティックセグメンテーションの精度評価を行う。 拡張オブジェクトの提案は、未知のオブジェクトカテゴリと未知のオブジェクトカテゴリの分類器をトレーニングするために使用される。
  論文  参考訳（メタデータ） (2021-11-25T01:53:05Z)
• CertainNet: Sampling-free Uncertainty Estimation for Object Detection [65.28989536741658]
  ニューラルネットワークの不確実性を推定することは、安全クリティカルな設定において基本的な役割を果たす。 本研究では,オブジェクト検出のための新しいサンプリング不要不確実性推定法を提案する。 私たちはそれをCertainNetと呼び、各出力信号に対して、オブジェクト性、クラス、位置、サイズという、別の不確実性を提供するのは、これが初めてです。
  論文  参考訳（メタデータ） (2021-10-04T17:59:31Z)
• Learning Uncertainty For Safety-Oriented Semantic Segmentation In Autonomous Driving [77.39239190539871]
  自律運転における安全クリティカル画像セグメンテーションを実現するために、不確実性推定をどのように活用できるかを示す。 相似性関数によって測定された不一致予測に基づく新しい不確実性尺度を導入する。 本研究では,提案手法が競合手法よりも推論時間において計算集約性が低いことを示す。
  論文  参考訳（メタデータ） (2021-05-28T09:23:05Z)
• Rectifying Pseudo Label Learning via Uncertainty Estimation for Domain Adaptive Semantic Segmentation [49.295165476818866]
  本稿では、意味的セグメンテーションの文脈において、ソースドメインからターゲットドメインへの知識伝達の教師なし領域適応に焦点を当てる。 既存のアプローチでは、通常、擬似ラベルを未ラベルのターゲットドメインデータを完全に活用するための基礎的真理とみなす。 本稿では,擬似ラベル学習の修正のために,学習中の予測の不確かさを明示的に推定することを提案する。
  論文  参考訳（メタデータ） (2020-03-08T12:37:19Z)

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。